0Pricing
AI Agents · Aula

Gerando embeddings com text-embedding-3

Utilize text-embedding-3-small/large da OpenAI para converter strings em vetores de 1536 ou 3072 dimensões.

Gerando embeddings com text-embedding-3 é uma aula grátis de AI Agents no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.

Modelos de representação vetorial da OpenAI

A OpenAI oferece dois modelos de representação vetorial para produção:

  • text-embedding-3-small — 1536 dimensões, barato e rápido
  • text-embedding-3-large — 3072 dimensões, melhor qualidade e mais lento

Use o small na maioria dos casos; use o large apenas quando a qualidade for mais importante do que o custo.

Sua primeira representação vetorial

Uma linha de código do 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

Vetorização em lote

A API aceita listas — muito mais rápido do que fazer uma chamada por vez:

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 tokens

Cada entrada tem um limite máximo de tokens (8192 para text-embedding-3). Documentos longos precisam ser divididos em partes primeiro.

Redução de dimensões

Você pode solicitar menos dimensões (representações vetoriais Matryoshka), o que é útil para armazenamento:

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

Custo

Até o momento da redação:

  • text-embedding-3-small: $0.02 / 1 milhão de tokens
  • text-embedding-3-large: $0.13 / 1 milhão de tokens

Vetorizar 1 milhão de palavras custa aproximadamente $0.025 com o modelo small — essencialmente de graça.

Vetorize uma vez, reutilize para sempre

As representações vetoriais não mudam quando você as gera novamente — é possível calculá-las uma vez e armazená-las. O armazenamento em cache é essencial para qualquer sistema de produção.

Normalização de vetores

As representações vetoriais da OpenAI já são normalizadas em L2 (comprimento = 1). Isso significa que a similaridade de cosseno = produto escalar, economizando processamento:

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

Vetorização assíncrona

Para obter alta vazão, use o cliente assíncrono:

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']))

Tente novamente em caso de falha

As chamadas de vetorização falham como qualquer chamada HTTP. Envolva-as em novas tentativas com espera progressiva:

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)

Armazenamento de representações vetoriais

Três opções comuns de armazenamento:

  • SQLite com a extensão sqlite-vec
  • Postgres com a extensão pgvector
  • Banco de dados vetorial dedicado (Pinecone, Qdrant, Weaviate)

Atenção ao custo

Aproximadamente quanto custa vetorizar 1 milhão de palavras com text-embedding-3-small?

Recapitulação

Escolha text-embedding-3-small, faça chamadas em lote, armazene os vetores e você terá a base da busca semântica.

Perguntas Frequentes

A aula “Gerando embeddings com text-embedding-3” é grátis?

Sim — o texto completo de “Gerando embeddings com text-embedding-3” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.

O que vou aprender em “Gerando embeddings com text-embedding-3”?

Utilize text-embedding-3-small/large da OpenAI para converter strings em vetores de 1536 ou 3072 dimensões. Você pratica AI Agents com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar AI Agents?

Nenhuma experiência prévia é necessária. AI Agents no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.

Quanto tempo leva a aula “Gerando embeddings com text-embedding-3”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de AI Agents?

Sim. Cada aula de AI Agents inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

  1. O que são embeddings (representações vetoriais)
  2. Gerando embeddings com text-embedding-3
  3. Similaridade de cosseno para recuperação
  4. Comparação de modelos de embedding (OpenAI vs. Cohere vs. OSS)
← Voltar para AI Agents