向量化（Embedding）

import dashscope
from http import HTTPStatus

# 输入可以是单个字符串
# input_texts = "衣服的质量杠杠的，很漂亮，不枉我等了这么久啊，喜欢，以后还来这里买"

# 或字符串列表 (推荐，效率更高)
input_texts = ['衣服的质量杠杠的', '很漂亮，不枉我等了这么久啊', '喜欢，以后还来这里买']

resp = dashscope.TextEmbedding.call(
    model="text-embedding-v4",
    input=input_texts,
    # 仅 text-embedding-v3及 text-embedding-v4支持以下参数
    dimension=1024,  # 指定向量维度
    output_type="dense",  # 指定输出稠密向量（dense）/稀疏向量（sparse）/同时输出两种向量（dense&sparse）
    # 仅 text-embedding-v4支持以下参数
    instruct="A positive comment from a customer"
)

if resp.status_code == HTTPStatus.OK:
    # `resp.output['embeddings']` 是一个列表，每个元素对应一个输入文本的向量结果
    print(resp)
else:
    print(f"请求失败: {resp}")
    print("\n请根据 status_code 前往阿里云帮助中心查询错误详情:")
    print("https://help.aliyun.com/zh/model-studio/error-code")

import java.util.Arrays;
import java.util.List;

import com.alibaba.dashscope.embeddings.TextEmbedding;
import com.alibaba.dashscope.embeddings.TextEmbeddingParam;
import com.alibaba.dashscope.embeddings.TextEmbeddingResult;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;

/**
 * 通义千问文本向量模型调用示例
 */
public class Main {
    public static void main(String[] args) {
        try {
            // 输入可以是单个字符串
            // String input_texts = "衣服的质量杠杠的，很漂亮，不枉我等了这么久啊，喜欢，以后还来这里买";
            // 或字符串列表 (推荐，效率更高)
            List<String> input_texts = Arrays.asList("衣服的质量杠杠的","很漂亮，不枉我等了这么久啊","喜欢，以后还来这里买");
            // 构建请求参数
            TextEmbeddingParam param = TextEmbeddingParam
                    .builder()
                    // 使用text-embedding-v3模型
                    .model("text-embedding-v4")
                    // 输入文本
                    .texts(input_texts)  
                    // 设置向量维度
                    // 仅 text-embedding-v3及 text-embedding-v4支持以下参数
                    .parameter("dimension", 2048) 
                    // 指定输出稠密向量（dense）/稀疏向量（sparse）/同时输出两种向量（dense&sparse）
                    .parameter("output_type","dense")
                    // 仅 text-embedding-v4支持以下参数
                    // 任务说明参数,引导模型理解任务意图
                    .parameter("instruct","A positive comment from a customer")
                    .build();

            // 创建模型实例并调用
            TextEmbedding textEmbedding = new TextEmbedding();
            TextEmbeddingResult result = textEmbedding.call(param);
            
            // 输出结果
            System.out.println(result);
            
        } catch (ApiException e) {
            // 捕获并处理API调用失败的异常
            System.err.println("请求失败，捕获到 ApiException: " + e.getMessage());
            System.err.println("错误码 (Code): " + e.getStatus().getCode());
            System.err.println("请求 ID (RequestId): " + e.getStatus().getRequestId());
            System.err.println("\n建议您根据错误码前往阿里云帮助中心查询错误详情:");
            System.err.println("https://help.aliyun.com/zh/model-studio/error-code");
            e.printStackTrace();
        } catch (NoApiKeyException e) {
            // 捕获并处理API Key未设置的异常
            System.err.println("调用 API 时发生异常: " + e.getMessage());
            System.err.println("请检查您的 API Key 是否已正确配置。");
            e.printStackTrace();
        }
    }
}

curl --location 'https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v4",
    "input": {
        "texts": [
        "衣服的质量杠杠的",
        "很漂亮，不枉我等了这么久啊",
        "喜欢，以后还来这里买"
        ]
    },
    "output_type":"dense",
    "parameters": {
    	"dimension": 1024,
    	"instruct": "A positive comment from a customer"
    }
}'