Embeddings API

POST https://platform.beeknoee.com/v1/embeddings

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023064255, -0.009327292, 0.015797347, ...]
    }
  ],
  "model": "gemini-embedding-001",
  "usage": {
    "prompt_tokens": 5,
    "total_tokens": 5
  }
}

from openai import OpenAI

client = OpenAI(
    api_key="sk-bee-your-key",
    base_url="https://platform.beeknoee.com/v1"
)

texts = [
    "Cách nấu phở bò Hà Nội",
    "Hướng dẫn lập trình Python cơ bản",
    "Đánh giá iPhone 16 Pro Max",
    "Top 10 địa điểm du lịch Đà Nẵng"
]

response = client.embeddings.create(
    model="gemini-embedding-001",
    input=texts
)

for i, item in enumerate(response.data):
    print(f"Text {i}: {len(item.embedding)} dimensions")

import numpy as np
from openai import OpenAI

client = OpenAI(
    api_key="sk-bee-your-key",
    base_url="https://platform.beeknoee.com/v1"
)

# Bước 1: Tạo embeddings cho kho tài liệu
documents = [
    "Python là ngôn ngữ lập trình phổ biến nhất thế giới",
    "Cách nấu bún bò Huế ngon đúng vị",
    "React và Next.js là framework frontend hàng đầu",
    "Hà Nội là thủ đô của Việt Nam với lịch sử nghìn năm",
    "Machine Learning giúp máy tính học từ dữ liệu",
]

doc_response = client.embeddings.create(
    model="gemini-embedding-001",
    input=documents
)
doc_vectors = [item.embedding for item in doc_response.data]

# Bước 2: Tạo embedding cho câu hỏi
query = "làm sao để học code?"
query_response = client.embeddings.create(
    model="gemini-embedding-001",
    input=query
)
query_vector = query_response.data[0].embedding

# Bước 3: Tính cosine similarity
def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

scores = [cosine_similarity(query_vector, doc_vec) for doc_vec in doc_vectors]

# Bước 4: Sắp xếp theo điểm cao nhất
results = sorted(zip(documents, scores), key=lambda x: x[1], reverse=True)

print("🔍 Kết quả tìm kiếm cho:", query)
for doc, score in results[:3]:
    print(f"  [{score:.4f}] {doc}")

# Output:
# 🔍 Kết quả tìm kiếm cho: làm sao để học code?
#   [0.8234] Python là ngôn ngữ lập trình phổ biến nhất thế giới
#   [0.7891] React và Next.js là framework frontend hàng đầu
#   [0.6123] Machine Learning giúp máy tính học từ dữ liệu

from openai import OpenAI

client = OpenAI(
    api_key="sk-bee-your-key",
    base_url="https://platform.beeknoee.com/v1"
)

# Bước 1: Tìm tài liệu liên quan (dùng embeddings)
def find_relevant_docs(query, documents, doc_vectors, top_k=3):
    query_resp = client.embeddings.create(
        model="gemini-embedding-001",
        input=query
    )
    query_vec = query_resp.data[0].embedding

    import numpy as np
    scores = [np.dot(query_vec, dv) / (np.linalg.norm(query_vec) * np.linalg.norm(dv))
              for dv in doc_vectors]
    ranked = sorted(zip(documents, scores), key=lambda x: x[1], reverse=True)
    return [doc for doc, _ in ranked[:top_k]]

# Bước 2: Gửi context + câu hỏi tới Chat Completions
relevant = find_relevant_docs("làm sao deploy Next.js?", documents, doc_vectors)
context = "\n".join(f"- {doc}" for doc in relevant)

response = client.chat.completions.create(
    model="deepseek/deepseek-v3.2",
    messages=[
        {"role": "system", "content": f"Trả lời dựa trên context sau:\n{context}"},
        {"role": "user", "content": "làm sao deploy Next.js?"}
    ]
)

print(response.choices[0].message.content)

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="gemini-embedding-001",
    openai_api_key="sk-bee-your-key",
    openai_api_base="https://platform.beeknoee.com/v1"
)

# Sử dụng với FAISS vector store
from langchain_community.vectorstores import FAISS

texts = ["Tài liệu 1...", "Tài liệu 2...", "Tài liệu 3..."]
vectorstore = FAISS.from_texts(texts, embeddings)

# Tìm kiếm
results = vectorstore.similarity_search("query của bạn", k=3)

from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core import Settings

Settings.embed_model = OpenAIEmbedding(
    model="gemini-embedding-001",
    api_key="sk-bee-your-key",
    api_base="https://platform.beeknoee.com/v1"
)

# Sử dụng với VectorStoreIndex
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)

query_engine = index.as_query_engine()
response = query_engine.query("Hỏi gì đó?")

import time
from openai import OpenAI, RateLimitError

client = OpenAI(
    api_key="sk-bee-your-key",
    base_url="https://platform.beeknoee.com/v1"
)

def embed_with_retry(text, max_retries=3):
    for attempt in range(max_retries):
        try:
            response = client.embeddings.create(
                model="gemini-embedding-001",
                input=text
            )
            return response.data[0].embedding
        except RateLimitError:
            wait = 2 ** attempt  # Exponential backoff
            print(f"Rate limited, waiting {wait}s...")
            time.sleep(wait)
    raise Exception("Max retries exceeded")