0Pricing
AI Agents · Lektion

Embeddings mit text-embedding-3 erzeugen

Verwenden Sie OpenAI text-embedding-3-small/large, um Zeichenketten in 1536- oder 3072-dimensionale Vektoren umzuwandeln.

Embeddings mit text-embedding-3 erzeugen ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

OpenAI-Embedding-Modelle

OpenAI bietet zwei Embedding-Modelle für den Produktionseinsatz:

  • text-embedding-3-small — 1536 Dimensionen, günstig, schnell
  • text-embedding-3-large — 3072 Dimensionen, bessere Qualität, langsamer

Verwenden Sie small in den meisten Fällen und large nur dann, wenn Qualität wichtiger ist als Kosten.

Ihr erstes Embedding

Eine Zeile SDK-Code:

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

Batch-Embedding

Die API unterstützt Listen — das ist deutlich schneller, als jeweils nur einen Eintrag zu verarbeiten:

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.

Token-Limits

Jede Eingabe hat ein maximales Token-Limit (8192 für text-embedding-3). Lange Dokumente müssen zuerst in Abschnitte aufgeteilt werden.

Dimensionen reduzieren

Sie können weniger Dimensionen anfordern (Matryoshka-Embeddings) — nützlich, um Speicherplatz zu sparen:

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

Kosten

Zum Zeitpunkt der Erstellung:

  • text-embedding-3-small: 0,02 $ / 1M Tokens
  • text-embedding-3-large: 0,13 $ / 1M Tokens

Das Einbetten von 1M Wörtern kostet mit dem small-Modell etwa 0,025 $ — praktisch kostenlos.

Einmal einbetten, dauerhaft wiederverwenden

Embeddings ändern sich beim erneuten Einbetten nicht — Sie können sie einmal berechnen und speichern. Caching ist für jedes Produktionssystem unverzichtbar.

Vektoren normalisieren

OpenAI-Embeddings sind bereits L2-normalisiert (Länge = 1). Das bedeutet, dass die Kosinusähnlichkeit dem Skalarprodukt entspricht, wodurch Rechenaufwand eingespart wird:

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

Asynchrones Embedding

Verwenden Sie für einen hohen Durchsatz den asynchronen Client:

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']))

Bei Fehlern erneut versuchen

Embedding-Aufrufe können wie jeder HTTP-Aufruf fehlschlagen. Verpacken Sie sie in einen Wiederholungsmechanismus mit Backoff:

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)

Embeddings speichern

Drei gängige Speicheroptionen:

  • SQLite mit der Erweiterung sqlite-vec
  • Postgres mit der Erweiterung pgvector
  • Spezialisierte Vektordatenbank (Pinecone, Qdrant, Weaviate)

Kostenbewusstsein

Wie viel kostet es ungefähr, 1 Million Wörter mit text-embedding-3-small einzubetten?

Zusammenfassung

Wählen Sie text-embedding-3-small, bündeln Sie Ihre Aufrufe, speichern Sie die Vektoren — damit haben Sie die Grundlage für semantische Suche.

Häufig gestellte Fragen

Ist die Lektion „Embeddings mit text-embedding-3 erzeugen“ kostenlos?

Ja — der vollständige Text von „Embeddings mit text-embedding-3 erzeugen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Embeddings mit text-embedding-3 erzeugen“?

Verwenden Sie OpenAI text-embedding-3-small/large, um Zeichenketten in 1536- oder 3072-dimensionale Vektoren umzuwandeln. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um AI Agents zu starten?

Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.

Wie lange dauert die Lektion „Embeddings mit text-embedding-3 erzeugen“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?

Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

  1. Was Embeddings sind (Vektorrepräsentationen)
  2. Embeddings mit text-embedding-3 erzeugen
  3. Kosinusähnlichkeit für Retrieval
  4. Embedding-Modelle im Vergleich (OpenAI vs. Cohere vs. OSS)
← Zurück zu AI Agents