自 2025 年 4 月 29 日起，Gemini 1.5 Pro 和 Gemini 1.5 Flash 模型將無法用於先前未使用這些模型的專案，包括新專案。詳情請參閱「模型版本和生命週期」。

本頁面由 Cloud Translation API 翻譯而成。

選擇嵌入任務類型

Vertex AI 嵌入模型可為各種工作類型 (例如文件擷取、問答和事實驗證) 產生最佳化嵌入項目。工作類型是標籤，可根據您的預期用途，最佳化模型產生的嵌入資料。本文將說明如何為嵌入項目選擇最佳任務類型。

支援的模型

下列模型支援的工作類型：

text-embedding-005
text-multilingual-embedding-002
gemini-embedding-001

工作類型的優點

任務類型可改善嵌入模型產生的嵌入資料品質。

問題和答案的語意不相似 — **圖 1.** 問題和答案在語意上並不相似，因此嵌入資料不會自動顯示兩者的關聯。

舉例來說，建構檢索增強生成 (RAG) 系統時，常見的設計方式是使用文字嵌入和向量搜尋執行相似度搜尋。在某些情況下，這可能會導致搜尋品質下降，因為問題和答案在語意上並不相似。舉例來說，「為什麼天空是藍色的？」這類問題及其答案「陽光散射造成天空呈現藍色」，這兩者在陳述上有截然不同的意義，因此 RAG 系統不會自動辨識兩者之間的關係，如圖 1 所示。如果沒有任務類型，RAG 開發人員就需要訓練模型來學習查詢和答案之間的關係，這需要先進的數據科學技能和經驗，或是使用以 LLM 為基礎的查詢擴充功能或HyDE，但這可能會導致延遲和成本增加。

任務類型會在嵌入空間中將問題和答案置於較近的位置 — **圖 2.** 工作類型會針對特定工作進行嵌入最佳化。在這種情況下，問題和答案在嵌入空間中會靠得更近。

您可以使用工作類型為特定工作產生最佳化嵌入資料，省去自行開發工作專屬嵌入資料所需的時間和成本。針對查詢「為什麼天空是藍色的？」和其答案「陽光散射造成藍色」所產生的嵌入資料，會位於代表兩者關係的共用嵌入空間中，如圖 2 所示。在這個 RAG 範例中，經過最佳化的嵌入資料可改善相似度搜尋。

除了查詢和答案用途之外，工作類型也提供最佳化嵌入空間，可用於分類、叢集和事實驗證等工作。

支援的工作類型

使用工作類型的嵌入模型支援下列工作類型：

工作類型	說明
`CLASSIFICATION`	用於產生經過最佳化的嵌入資料，以便根據預先設定的標籤分類文字
`CLUSTERING`	用於產生經過最佳化的嵌入資料，以便根據相似性將文字分組
`RETRIEVAL_DOCUMENT`、`RETRIEVAL_QUERY`、`QUESTION_ANSWERING` 和 `FACT_VERIFICATION`	用於產生最佳化文件搜尋或資訊擷取的嵌入
`CODE_RETRIEVAL_QUERY`	用於根據自然語言查詢語法擷取程式碼區塊，例如排序陣列或反轉鏈結清單。系統會使用 `RETRIEVAL_DOCUMENT` 計算程式碼區塊的嵌入內容。
`SEMANTIC_SIMILARITY`	用於產生經過最佳化處理的嵌入值，以便評估文字相似度。這項功能不適用於擷取用途。

最佳嵌入工作任務類型取決於您對嵌入資料的用途。選取工作類型前，請先決定要用於哪些嵌入用途。

決定要用於哪些嵌入用途

嵌入功能的用途通常可歸類為四種：評估文字相似度、分類文字、分群文字或從文字中擷取資訊。如果您的用途不屬於上述任一類別，請預設使用 RETRIEVAL_QUERY 工作類型。

工作指令格式分為 2 種：非對稱格式和對稱格式。您必須根據用途使用正確的模式。

擷取用途 (非對稱格式)	查詢工作類型	文件工作類型
搜尋查詢	RETRIEVAL_QUERY	RETRIEVAL_DOCUMENT
問題回答	QUESTION_ANSWERING
事實查核	FACT_VERIFICATION
取得代碼	CODE_RETRIEVAL_QUERY

單一輸入用途 (對稱格式)	輸入工作類型
分類	分類
分群	分群
語意相似度 (請勿用於擷取用途；適用於 STS)	SEMANTIC_SIMILARITY

分類文字

如果您想使用嵌入資料，根據預先設定的標籤分類文字，請使用 CLASSIFICATION 工作類型。這類工作類型會在經過最佳化分類的嵌入空間中產生嵌入資料。

舉例來說，假設您想為社群媒體貼文產生嵌入資料，然後將其用於將情緒分類為正面、負面或中立。如果「I don't like traveling on airplanes」這則社群媒體貼文的嵌入資料經過分類，情緒就會被歸類為負面。

叢集文字

如果您想使用嵌入資料，根據相似性將文字分組，請使用 CLUSTERING 工作類型。此工作類型會產生經過最佳化的嵌入資料，以便根據相似性進行分組。

舉例來說，假設您想為新聞文章產生嵌入資料，以便向使用者顯示與先前閱讀的文章相關的主題文章。產生並分群嵌入資料後，您可以向經常閱讀體育相關內容的使用者，建議其他體育相關文章。

分群的其他用途包括：

客戶區隔：將具有相似個人資料或活動所產生嵌入資料的客戶分組，以便進行指定行銷和個人化體驗。
產品區隔：根據產品名稱和說明、產品圖片或顧客評論，將產品嵌入資料分群，有助於企業進行產品區隔分析。
市場研究：將消費者問卷調查回覆或社群媒體資料嵌入叢集，可揭露消費者意見、偏好和行為的隱藏模式和趨勢，有助於進行市場研究，並提供產品開發策略的參考依據。
醫療照護：從醫療資料中擷取病患嵌入資料並進行分群，有助於識別有類似病症或治療反應的群組，進而提供更個人化的醫療照護計畫和指定療法。
顧客意見回饋趨勢：將來自不同管道 (問卷調查、社群媒體、支援單) 的顧客意見回饋分組，有助於找出常見的痛點、功能要求和產品改善領域。

從文字中擷取資訊

如果您想使用嵌入資料來進行文件搜尋或資訊擷取，以及在問答用途 (例如搜尋、聊天機器人或 RAG) 中使用，如前文所述，您需要執行兩個嵌入資料工作，且使用不同的工作類型：

使用 RETRIEVAL_DOCUMENT 工作類型，為文件 (也稱為字元集) 建立最佳化嵌入資料。
請根據查詢的性質，使用下列任務類型之一為查詢建立最佳化嵌入資料：
- RETRIEVAL_QUERY：用於查詢的預設工作類型，例如「溫哥華頓最佳餐廳」、「綠色蔬菜」或「最佳餅乾食譜為何？」。
- QUESTION_ANSWERING：如果所有查詢的格式都是正確的問句，例如「為什麼天空是藍色的？」或「如何綁鞋帶？」，請使用此值。
- FACT_VERIFICATION：如果您想從語料庫中擷取可證明或反駁某項陳述的文件，請使用此方法。舉例來說，如果使用「apples grow underground」(蘋果會在地下生長) 做為查詢，可能會找出關於蘋果的文章，但這篇文章最終會駁斥該陳述。

請考慮下列實際情境，其中擷取查詢相當實用：

如果是電子商務平台，您可以使用嵌入資料，讓使用者同時使用文字查詢和圖片搜尋產品，提供更直覺且引人入勝的購物體驗。
在教育平台方面，您想建立問答系統，以便根據課本內容或教育資源回答學生的問題，提供個人化學習體驗，並協助學生理解複雜的概念。

取得代碼

text-embedding-005 支援新的任務類型 CODE_RETRIEVAL_QUERY，可用於透過純文字查詢擷取相關程式碼區塊。如要使用這項功能，請使用 RETRIEVAL_DOCUMENT 工作類型嵌入程式碼區塊，並使用 CODE_RETRIEVAL_QUERY 嵌入文字查詢。

如要探索所有工作類型，請參閱模型參考資料。

範例如下：

REST

PROJECT_ID=PROJECT_ID

curl \
-X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/publishers/google/models/text-embedding-005:predict -d \
$'{
  "instances": [
    {
      "task_type": "CODE_RETRIEVAL_QUERY",
      "content": "Function to add two numbers"
    }
  ],
}'

評估文字相似度

如果您想使用嵌入來評估文字相似度，請使用 SEMANTIC_SIMILARITY 任務類型。此工作類型會產生經過最佳化的嵌入資料，以便產生相似度分數。

舉例來說，假設您想產生嵌入項目，用於比較下列文字的相似程度：

貓咪正在睡覺
貓科動物正在午睡

當使用嵌入值建立相似度分數時，由於兩個文字的意思幾乎相同，因此相似度分數很高。

請考量下列實際情境，評估輸入相似度的實用性：

在推薦系統中，您需要找出與使用者偏好項目語意相似的項目 (例如產品、文章、電影)，提供個人化推薦內容並提升使用者滿意度。

Python 適用的 Vertex AI SDK

如要瞭解如何安裝或更新 Python 適用的 Vertex AI SDK，請參閱「安裝 Python 適用的 Vertex AI SDK」。詳情請參閱 Vertex AI SDK for Python API 參考說明文件。

from vertexai.language_models import TextEmbeddingInput, TextEmbeddingModel

MODEL_NAME = "gemini-embedding-001"
DIMENSIONALITY = 3072


def embed_text(
    texts: list[str] = ["Retrieve a function that adds two numbers"],
    task: str = "CODE_RETRIEVAL_QUERY",
    model_name: str = "gemini-embedding-001",
    dimensionality: int | None = 3072,
) -> list[list[float]]:
    """Embeds texts with a pre-trained, foundational model."""
    model = TextEmbeddingModel.from_pretrained(model_name)
    kwargs = dict(output_dimensionality=dimensionality) if dimensionality else {}

    embeddings = []
    # gemini-embedding-001 takes one input at a time
    for text in texts:
        text_input = TextEmbeddingInput(text, task)
        embedding = model.get_embeddings([text_input], **kwargs)
        print(embedding)
        # Example response:
        # [[0.006135190837085247, -0.01462465338408947, 0.004978656303137541, ...]]
        embeddings.append(embedding[0].values)

    return embeddings


if __name__ == "__main__":
    # Embeds code block with a pre-trained, foundational model.
    # Using this function to calculate the embedding for corpus.
    texts = ["Retrieve a function that adds two numbers"]
    task = "CODE_RETRIEVAL_QUERY"
    code_block_embeddings = embed_text(
        texts=texts, task=task, model_name=MODEL_NAME, dimensionality=DIMENSIONALITY
    )

    # Embeds code retrieval with a pre-trained, foundational model.
    # Using this function to calculate the embedding for query.
    texts = [
        "def func(a, b): return a + b",
        "def func(a, b): return a - b",
        "def func(a, b): return (a ** 2 + b ** 2) ** 0.5",
    ]
    task = "RETRIEVAL_DOCUMENT"
    code_query_embeddings = embed_text(
        texts=texts, task=task, model_name=MODEL_NAME, dimensionality=DIMENSIONALITY
    )

使用這些模型時，請注意下列限制：

請勿在重要任務或實際工作環境系統中使用這些預覽模型。
這些型號僅適用於 us-central1。
不支援批次預測。
不支援自訂。

後續步驟

瞭解如何取得文字嵌入。