> Discover all available pages from the documentation index: https://mastra.zisheng.pro/fr/llms.txt

# Embed

Mastra utilise les fonctions `embed` et `embedMany` d'AI SDK pour générer des embeddings vectoriels à partir d'entrées textuelles, ce qui permet d'effectuer des recherches par similarité et de créer des Workflows RAG.

## Embedding unique

La fonction `embed` génère un embedding vectoriel pour une seule entrée textuelle :

```typescript
import { embed } from 'ai'
import { ModelRouterEmbeddingModel } from '@mastra/core/llm'

const result = await embed({
  model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  value: 'Your text to embed',
  maxRetries: 2, // optional, defaults to 2
})
```

### Paramètres

**model** (`EmbeddingModel`): Le modèle d'embedding à utiliser (par exemple, openai.embedding('text-embedding-3-small'))

**value** (`string | Record<string, any>`): Le contenu textuel ou l'objet à convertir en embedding

**maxRetries** (`number`): Nombre maximal de nouvelles tentatives par appel d'embedding. Définissez cette valeur sur 0 pour désactiver les nouvelles tentatives. (Default: `2`)

**abortSignal** (`AbortSignal`): Signal d'abandon facultatif permettant d'annuler la requête

**headers** (`Record<string, string>`): En-têtes HTTP supplémentaires pour la requête (uniquement pour les Providers reposant sur HTTP)

### Valeur renvoyée

**embedding** (`number[]`): Le vecteur d'embedding correspondant à l'entrée

## Embeddings multiples

Pour convertir plusieurs textes en embeddings en une seule fois, utilisez la fonction `embedMany` :

```typescript
import { embedMany } from 'ai'

const result = await embedMany({
  model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  values: ['First text', 'Second text', 'Third text'],
  maxRetries: 2, // optional, defaults to 2
})
```

### Paramètres

**model** (`EmbeddingModel`): Le modèle d'embedding à utiliser (par exemple, openai.embedding('text-embedding-3-small'))

**values** (`string[] | Record<string, any>[]`): Tableau de contenus textuels ou d'objets à convertir en embeddings

**maxRetries** (`number`): Nombre maximal de nouvelles tentatives par appel d'embedding. Définissez cette valeur sur 0 pour désactiver les nouvelles tentatives. (Default: `2`)

**abortSignal** (`AbortSignal`): Signal d'abandon facultatif permettant d'annuler la requête

**headers** (`Record<string, string>`): En-têtes HTTP supplémentaires pour la requête (uniquement pour les Providers reposant sur HTTP)

### Valeur renvoyée

**embeddings** (`number[][]`): Tableau de vecteurs d'embedding correspondant aux valeurs d'entrée

## Exemple d'utilisation

```typescript
import { embed, embedMany } from 'ai'

// Single embedding
const singleResult = await embed({
  model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  value: 'What is the meaning of life?',
})

// Multiple embeddings
const multipleResult = await embedMany({
  model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  values: [
    'First question about life',
    'Second question about universe',
    'Third question about everything',
  ],
})
```

Pour plus d'informations sur les embeddings dans Vercel AI SDK, consultez :

- [Présentation des embeddings d'AI SDK](https://sdk.vercel.ai/docs/ai-sdk-core/embeddings)
- [embed()](https://sdk.vercel.ai/docs/reference/ai-sdk-core/embed)
- [embedMany()](https://sdk.vercel.ai/docs/reference/ai-sdk-core/embed-many)