Modelos de Embedding

PRX-Memory soporta múltiples proveedores de embedding a través del crate prx-memory-embed. Cada proveedor implementa el mismo trait adaptador, lo que permite cambios sin problemas.

OpenAI-Compatible

Cualquier API compatible con OpenAI puede usarse como proveedor de embedding. Esto incluye el propio OpenAI, así como endpoints compatibles auto-alojados.

PRX_EMBED_PROVIDER=openai-compatible
PRX_EMBED_API_KEY=your_api_key
PRX_EMBED_MODEL=text-embedding-3-small
# PRX_EMBED_BASE_URL=https://custom-endpoint.example.com  # Optional

Modelo	Dimensiones	Notas
text-embedding-3-small	1536	Buen equilibrio calidad/costo
text-embedding-3-large	3072	Mayor calidad, más caro
text-embedding-ada-002	1536	Modelo heredado

Jina AI

Jina ofrece modelos de embedding optimizados para texto de código y multilingüe.

PRX_EMBED_PROVIDER=jina
PRX_EMBED_API_KEY=your_jina_key
PRX_EMBED_MODEL=jina-embeddings-v3

Modelo	Dimensiones	Notas
jina-embeddings-v3	1024	Última generación, multilingüe
jina-embeddings-v2-base-en	768	Optimizado para inglés
jina-embeddings-v2-base-code	768	Optimizado para código

TIP

La clave de API de Jina puede usarse tanto para embedding como para reranking. Establece JINA_API_KEY una vez para cubrir ambos.

Google Gemini

PRX_EMBED_PROVIDER=gemini
PRX_EMBED_API_KEY=your_gemini_key
PRX_EMBED_MODEL=text-embedding-004

Modelo	Dimensiones	Notas
text-embedding-004	768	Modelo de embedding Gemini más reciente
embedding-001	768	Modelo de embedding original

Elegir un Modelo

Prioridad	Proveedor Recomendado	Modelo
Mejor calidad general	OpenAI	text-embedding-3-large
Multilingüe	Jina	jina-embeddings-v3
Optimizado para código	Jina	jina-embeddings-v2-base-code
Costo/calidad equilibrado	OpenAI	text-embedding-3-small
Auto-alojado / personalizado	openai-compatible	Cualquier endpoint compatible

Cambiar de Modelo

Cuando cambias modelos de embedding, los vectores existentes quedan desactualizados porque han sido calculados con un modelo diferente. Usa memory_reembed para recalcularlos:

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "memory_reembed",
    "arguments": {}
  }
}

Esto re-embebe todas las entradas de memoria con el modelo configurado actualmente.

Siguientes Pasos

• Procesamiento en Batch -- Embeber grandes conjuntos de datos eficientemente
• Motor de Reranking -- Segunda etapa de recuperación
• Referencia de Configuración -- Todas las variables de entorno