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生成最佳化嵌入，例如文件檢索、問答和事實查證。工作類型是標籤，可根據預期用途，最佳化模型產生的嵌入內容。本文說明如何為嵌入選擇最佳工作類型。

支援的模型

下列模型支援的任務類型：

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

工作類型的優點

工作類型可提升嵌入模型生成的嵌入品質。

問題和答案在語意上不相似 — **圖 1.** 問題和答案在語意上並不相似，因此嵌入內容不會自動顯示兩者之間的關係。

舉例來說，建構檢索增強生成 (RAG) 系統時，常見的設計是使用文字嵌入和 Vector Search 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？」和「陽光散射會產生藍色」這兩個陳述句的意義截然不同，因此 RAG 系統不會自動辨識兩者之間的關係，如圖 1 所示。如果沒有工作類型，RAG 開發人員就必須訓練模型，瞭解查詢和答案之間的關係，這需要進階的資料科學技能和經驗，或是使用 LLM 查詢擴展或 HyDE，但這可能會導致延遲時間和成本增加。

工作類型會將問題和答案放在嵌入空間中較近的位置 — **圖 2.** 工作類型會針對特定工作最佳化嵌入項目。在本例中，問題和答案在嵌入空間中會更接近。

您可以使用工作類型，為特定工作產生最佳化嵌入，節省自行開發工作專屬嵌入的時間和費用。查詢「為什麼天空是藍的？」和答案「陽光散射造成藍色」產生的嵌入內容，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，經過最佳化的嵌入會提升相似度搜尋的準確度。

除了查詢和回答的使用案例，工作類型也提供最佳化的嵌入空間，適用於分類、叢集和事實查證等工作。

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`	用於生成最佳化嵌入，根據預設標籤分類文字
`CLUSTERING`	用於產生經過最佳化的嵌入，可根據文字相似度將文字分組
`RETRIEVAL_DOCUMENT`、`RETRIEVAL_QUERY`、`QUESTION_ANSWERING`和 `FACT_VERIFICATION`	用於生成最適合文件搜尋或資訊擷取的嵌入
`CODE_RETRIEVAL_QUERY`	根據自然語言查詢擷取程式碼區塊，例如「排序陣列」或「反向連結清單」。程式碼區塊的嵌入內容是使用 `RETRIEVAL_DOCUMENT` 計算而得。
`SEMANTIC_SIMILARITY`	用於生成最佳化嵌入，以評估文字相似度。這項功能不適用於擷取用途。

最適合您嵌入作業的任務類型，取決於您嵌入的用途。選取工作類型前，請先判斷嵌入內容的用途。

判斷嵌入的用途

嵌入通常用於以下四種用途：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。

工作指令格式分為兩種：非對稱格式和對稱格式。請務必根據用途選用正確的參數。

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
取得驗證碼	CODE_RETRIEVAL_QUERY

單一輸入內容的用途 (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

如要使用嵌入內容，根據預設標籤分類文字，請使用 CLASSIFICATION 工作類型。這類工作會在經過最佳化處理的嵌入空間中生成嵌入，以利分類。

舉例來說，假設您想為社群媒體貼文生成嵌入內容，然後用來將貼文的情緒分類為正面、負面或中立。如果社群媒體貼文的內嵌內容為「我不喜歡搭飛機旅行」，則情緒會分類為負面。

叢集文字

如要使用嵌入功能，根據文字相似度將文字分組，請使用 CLUSTERING 工作類型。這類工作會產生經過最佳化的嵌入，可根據相似度分組。

舉例來說，假設您想為新聞文章產生嵌入內容，以便向使用者顯示與他們先前閱讀文章相關的主題。產生並叢集嵌入內容後，您可以向大量閱讀運動文章的使用者推薦其他運動相關的文章。

分群的其他用途包括：

顧客區隔：根據顧客的個人資料或活動產生的類似嵌入，將顧客分組，以便進行目標行銷和提供個人化體驗。
產品區隔：根據產品名稱和說明、產品圖片或消費者評論，將產品嵌入內容分群，有助於商家對產品進行區隔分析。
市場研究：將消費者問卷調查回覆或社群媒體資料分群，可揭露消費者意見、偏好和行為中隱藏的模式和趨勢，有助於市場研究工作，並為產品開發策略提供資訊。
醫療照護：從醫療資料衍生的病患嵌入內容進行分群，有助於找出具有類似病況或治療反應的群組，進而制定更個人化的醫療照護計畫和目標治療。
顧客意見回饋趨勢：將各種管道 (問卷調查、社群媒體、支援單) 的顧客意見回饋歸類成群組，有助於找出常見痛點、功能要求和產品改善領域。

從訊息中擷取資訊

建構搜尋或擷取系統時，您會使用兩種文字：

語料庫：要搜尋的文件集合。
查詢：使用者提供的文字，用於在語料庫中搜尋資訊。

如要獲得最佳成效，您必須使用不同的工作類型，為語料庫和查詢產生嵌入。

首先，為整份文件集合生成嵌入。這是使用者查詢時會擷取的內容。嵌入這些文件時，請使用 RETRIEVAL_DOCUMENT 工作類型。您通常會執行這個步驟一次，為整個語料庫建立索引，然後將產生的嵌入項目儲存在向量資料庫中。

接著，當使用者提交搜尋查詢時，您會即時產生查詢文字的嵌入。為此，您應使用符合使用者意圖的工作類型。接著，系統會使用這個查詢嵌入，在向量資料庫中找出最相似的文件嵌入。

查詢會使用下列工作類型：

RETRIEVAL_QUERY：用於標準搜尋查詢，可找出相關文件。模型會尋找與查詢嵌入在語意上相近的文件嵌入。
QUESTION_ANSWERING：如果所有查詢都應為適當的問題，例如「為什麼天空是藍的？」或「如何綁鞋帶？」，請使用這個模式。
FACT_VERIFICATION：如要從語料庫中擷取文件，證明或反駁某項陳述，請使用這項功能。舉例來說，查詢「蘋果生長在地下」可能會擷取有關蘋果的文章，最終證明這項陳述不實。

請參考下列實際情境，瞭解擷取查詢的用途：

以電子商務平台為例，您可以使用嵌入功能，讓使用者透過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。
以教育平台為例，您想建構問答系統，根據教科書內容或教育資源回答學生的問題，提供個人化學習體驗，協助學生瞭解複雜的概念。

取得驗證碼

text-embedding-005 支援新的工作類型 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。

如要瞭解所有工作類型，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

如要使用嵌入評估文字相似度，請使用 SEMANTIC_SIMILARITY 工作類型。這類工作會產生經過最佳化的嵌入，可產生相似度分數。

舉例來說，假設您想產生嵌入項目，用來比較下列文字的相似度：

貓咪正在睡覺
貓咪正在小睡

使用嵌入內容建立相似度分數時，由於兩段文字的意義幾乎相同，因此相似度分數會很高。

請參考下列實際情境，瞭解評估輸入內容相似度有何用處：

對於推薦系統，您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

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 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：

請勿在任務關鍵或生產系統中使用這些預覽模型。
這些型號僅在us-central1販售。
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。