模型 API
Embedding 与 Rerank 检索
使用向量嵌入和文档重排构建 RAG，理解维度、输入、排名和模型能力要求。
更新于
POST
/v1/embeddingsPOST
/v1/rerank生成文本向量
POST /v1/embeddings 接受 model 和 input，input 可以是字符串或字符串数组。返回的 data[].embedding 是向量，data[].index 对应输入顺序。需要可用的嵌入模型和 embeddings.create 权限；聊天模型不能自动作为嵌入模型使用。
cURL
curl --fail-with-body https://api.token4ai.cloud/v1/embeddings \
-H "Authorization: Bearer $TOKEN4AI_API_KEY" \
-H "Content-Type: application/json" \
--data '{
"model": "YOUR_MODEL_ID",
"input": [
"A unified model gateway",
"Cloud agent task execution"
]
}'维度与索引一致性
同一个向量索引应保持相同嵌入模型、维度和归一化约定。切换模型后通常需要重建文档向量，不能直接把新查询向量与旧索引混用。对长文档先切分，保存段落与原文来源，避免向量结果失去引用依据。
候选文档重排
POST /v1/rerank 对已有候选文档排序，不代替文档检索或向量存储。query 必须非空，documents 必须是非空数组；文档可以是字符串或包含 text 的对象。top_n 是正整数，return_documents 可请求返回文档文本。
cURL
curl --fail-with-body https://api.token4ai.cloud/v1/rerank \
-H "Authorization: Bearer $TOKEN4AI_API_KEY" \
-H "Content-Type: application/json" \
--data '{
"model": "YOUR_MODEL_ID",
"query": "How can I run an agent in the cloud?",
"documents": [
"Configure a cloud agent in Vega.",
"Embedding vectors support semantic search."
],
"top_n": 1,
"return_documents": true
}'重排需要可用的 rerank 模型。把返回索引映射回候选文档，并保留来源后再传给生成模型。