AI Agents · درس

إنشاء Embeddings باستخدام text-embedding-3

استخدم OpenAI text-embedding-3-small/large لتحويل السلاسل النصية إلى متجهات بأبعاد 1536 أو 3072.

الدرس 2 من 413 خطوة

إنشاء Embeddings باستخدام text-embedding-3 درس مجاني في AI Agents على CoddyKit. هذا هو الدرس 2 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Agents، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Agents 4 دروس في المجموع.

نماذج تضمين OpenAI

توفر OpenAI نموذجَي تضمين للاستخدام في الإنتاج:

text-embedding-3-small — 1536 بُعدًا، منخفض التكلفة وسريع
text-embedding-3-large — 3072 بُعدًا، جودة أفضل وأبطأ

استخدم النموذج الصغير في معظم الحالات، والكبير فقط عندما تكون الجودة أهم من التكلفة.

التضمين الأول

سطر واحد من شيفرة SDK:

from openai import OpenAI
client = OpenAI()

resp = client.embeddings.create(
    model='text-embedding-3-small',
    input='Hello, world!'
)
vector = resp.data[0].embedding
print(len(vector))      # 1536

التضمين على دفعات

تدعم API القوائم، وهي أسرع بكثير من الاستدعاء عنصرًا واحدًا في كل مرة:

texts = ['cat', 'dog', 'pizza', 'sushi']
resp = client.embeddings.create(
    model='text-embedding-3-small',
    input=texts
)
vectors = [d.embedding for d in resp.data]
# vectors[0] is for 'cat', vectors[1] for 'dog', etc.

حدود الرموز

لكل إدخال حد أقصى لعدد الرموز، وهو 8192 بالنسبة إلى text-embedding-3. يجب تقسيم المستندات الطويلة إلى أجزاء أولًا.

تقليل الأبعاد

يمكنك طلب عدد أقل من الأبعاد، أي تضمينات Matryoshka، وهو أمر مفيد للتخزين:

resp = client.embeddings.create(
    model='text-embedding-3-large',
    input='Hello',
    dimensions=512    # default would be 3072
)

التكلفة

حتى وقت كتابة هذا الدرس:

text-embedding-3-small: ‏$0.02 لكل 1M رمز
text-embedding-3-large: ‏$0.13 لكل 1M رمز

تبلغ تكلفة إنشاء تضمينات لمليون كلمة نحو ‏$0.025 باستخدام النموذج الصغير — أي إنها مجانية عمليًا.

إنشاء التضمين مرة وإعادة استخدامه دائمًا

لا تتغير التضمينات عند إعادة إنشائها، لذا يمكنك حسابها مرة واحدة وتخزينها. ويُعد التخزين المؤقت ضروريًا لأي نظام إنتاج.

تطبيع المتجهات

تكون تضمينات OpenAI مطبّعة مسبقًا وفق معيار L2، أي إن طولها يساوي 1. وهذا يعني أن التشابه الجيبي يساوي حاصل الضرب النقطي، مما يوفر العمليات الحسابية:

import numpy as np
a = np.array(vec_a)
b = np.array(vec_b)
sim = np.dot(a, b)     # since |a| = |b| = 1

التضمين غير المتزامن

لتحقيق معدل نقل عالٍ، استخدم العميل غير المتزامن:

from openai import AsyncOpenAI
import asyncio

client = AsyncOpenAI()

async def embed_batch(texts):
    resp = await client.embeddings.create(
        model='text-embedding-3-small',
        input=texts
    )
    return [d.embedding for d in resp.data]

vectors = asyncio.run(embed_batch(['a', 'b', 'c']))

إعادة المحاولة عند الفشل

تفشل استدعاءات التضمين كما يحدث في أي استدعاء HTTP. غلّفها بمنطق إعادة المحاولة مع التراجع التدريجي:

from tenacity import retry, wait_exponential, stop_after_attempt

@retry(wait=wait_exponential(multiplier=1, max=10), stop=stop_after_attempt(5))
def safe_embed(text):
    return client.embeddings.create(model='text-embedding-3-small', input=text)

تخزين التضمينات

ثلاثة خيارات شائعة للتخزين:

SQLite مع الامتداد sqlite-vec
Postgres مع الامتداد pgvector
قاعدة بيانات متخصصة للمتجهات، مثل Pinecone وQdrant وWeaviate

الوعي بالتكلفة

كم تبلغ التكلفة التقريبية لإنشاء تضمينات لمليون كلمة باستخدام text-embedding-3-small؟

أجب عليها في الدرس التفاعلي

مراجعة

اختر text-embedding-3-small، وأجرِ الاستدعاءات على دفعات، وخزّن المتجهات، وستمتلك أساس البحث الدلالي.

البدء مجانًا

تعلم AI Agents مع معلم ذكاء اصطناعي — مجانًا

اكتب وقم بتشغيل أكوادك الفعلية في المتصفح، واحصل على مساعدة فورية من معلم ذكاء اصطناعي متاح 24/7، واستمر من حيث توقفت على الويب أو في التطبيق.

الدورات: 60
الدروس: 239

ابدأ التعلم مجانًا عرض الدورة الكاملة

الأسئلة الشائعة

هل درس «إنشاء Embeddings باستخدام text-embedding-3» مجاني؟

نعم — نص درس «إنشاء Embeddings باستخدام text-embedding-3» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Agents، انتقل إلى CoddyKit PRO. تتضمن دورة AI Agents 4 دروس في المجموع.

ماذا ستتعلم في «إنشاء Embeddings باستخدام text-embedding-3»؟

استخدم OpenAI text-embedding-3-small/large لتحويل السلاسل النصية إلى متجهات بأبعاد 1536 أو 3072. تتمرن على AI Agents مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ AI Agents؟

لا تُشترط خبرة سابقة. AI Agents على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 4.

كم من الوقت يستغرق درس «إنشاء Embeddings باستخدام text-embedding-3»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس AI Agents هذا؟

نعم. كل درس في AI Agents يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

ما هي Embeddings (تمثيلات المتجهات)
إنشاء Embeddings باستخدام text-embedding-3
التشابه الكوني للاسترجاع
مقارنة نماذج Embedding (OpenAI مقابل Cohere مقابل OSS)

← العودة إلى AI Agents