AI Agents · Leçon

Générer des embeddings avec text-embedding-3

Utilisez OpenAI text-embedding-3-small/large pour convertir des chaînes en vecteurs de 1536 ou 3072 dimensions.

Générer des embeddings avec text-embedding-3 est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.

Modèles de représentation vectorielle d'OpenAI

OpenAI propose deux modèles de représentation vectorielle destinés à la production :

text-embedding-3-small — 1 536 dimensions, économique et rapide
text-embedding-3-large — 3 072 dimensions, meilleure qualité et plus lent

Utilisez le petit modèle dans la plupart des cas ; choisissez le grand uniquement lorsque la qualité compte davantage que le coût.

Votre première représentation vectorielle

Une ligne de code du 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

Représentation vectorielle par lots

L'API prend en charge les listes — c'est beaucoup plus rapide que d'effectuer les appels un par un :

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.

Limites de jetons

Chaque entrée possède une limite maximale de jetons (8 192 pour text-embedding-3). Les longs documents doivent d'abord être découpés en segments.

Réduire le nombre de dimensions

Vous pouvez demander moins de dimensions (représentations vectorielles de type Matryoshka), ce qui est utile pour le stockage :

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

Coût

À la date de rédaction :

text-embedding-3-small : 0,02 $ / 1 M de jetons
text-embedding-3-large : 0,13 $ / 1 M de jetons

Vectoriser 1 M de mots coûte environ 0,025 $ avec le petit modèle — pratiquement gratuit.

Vectoriser une fois et réutiliser indéfiniment

Les représentations vectorielles ne changent pas lorsque vous les recalculez : vous pouvez les calculer une fois et les stocker. La mise en cache est essentielle pour tout système de production.

Normaliser les vecteurs

Les représentations vectorielles d'OpenAI sont déjà normalisées selon L2 (longueur = 1). Cela signifie que la similarité cosinus équivaut au produit scalaire, ce qui réduit les calculs :

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

Représentation vectorielle asynchrone

Pour un débit élevé, utilisez le client asynchrone :

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']))

Réessayer en cas d'échec

Les appels de représentation vectorielle échouent comme n'importe quel appel HTTP. Entourez-les de nouvelles tentatives avec temporisation progressive :

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)

Stocker les représentations vectorielles

Trois options de stockage courantes :

SQLite avec l'extension sqlite-vec
Postgres avec l'extension pgvector
base de données vectorielle dédiée (Pinecone, Qdrant, Weaviate)

Maîtriser les coûts

Environ combien coûte la vectorisation de 1 million de mots avec text-embedding-3-small ?

Récapitulatif

Choisissez text-embedding-3-small, regroupez vos appels par lots, stockez les vecteurs, et vous disposerez des fondations de la recherche sémantique.

Questions Fréquemment Posées

La leçon « Générer des embeddings avec text-embedding-3 » est-elle gratuite ?

Oui — le texte complet de « Générer des embeddings avec text-embedding-3 » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Générer des embeddings avec text-embedding-3 » ?

Utilisez OpenAI text-embedding-3-small/large pour convertir des chaînes en vecteurs de 1536 ou 3072 dimensions. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer AI Agents ?

Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.

Combien de temps prend la leçon « Générer des embeddings avec text-embedding-3 » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?

Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

Que sont les embeddings (représentations vectorielles)
Générer des embeddings avec text-embedding-3
Similarité cosinus pour la recherche
Comparer les modèles d’embeddings (OpenAI, Cohere et OSS)

← Retour à AI Agents