Поддерживаемые модели эмбеддингов

PRX-Memory поддерживает три семейства провайдеров эмбеддингов. Каждый провайдер подключается через унифицированный интерфейс адаптера крейта prx-memory-embed.

OpenAI-совместимый

Может использоваться любой API, следующий формату эндпоинта эмбеддингов OpenAI (/v1/embeddings). Сюда входят сам OpenAI, Azure OpenAI и локальные серверы инференса.

PRX_EMBED_PROVIDER=openai-compatible
PRX_EMBED_API_KEY=your_openai_key
PRX_EMBED_MODEL=text-embedding-3-small
PRX_EMBED_BASE_URL=https://api.openai.com  # опционально

Модель	Размерность	Примечания
text-embedding-3-small	1536	Хороший баланс качества и стоимости
text-embedding-3-large	3072	Наивысшее качество, выше стоимость
text-embedding-ada-002	1536	Устаревшая модель

Локальный инференс

Для развёртываний с требованиями к конфиденциальности укажите в PRX_EMBED_BASE_URL адрес локального сервера инференса, запускающего open-source модель эмбеддингов (например, через Ollama, vLLM или text-embeddings-inference).

Jina AI

Jina предоставляет высококачественные многоязычные модели эмбеддингов, оптимизированные для задач извлечения.

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

Модель	Размерность	Примечания
jina-embeddings-v3	1024	Последняя многоязычная модель
jina-embeddings-v2-base-en	768	Оптимизирована для английского
jina-embeddings-v2-base-code	768	Оптимизирована для кода

Резервный ключ

Если PRX_EMBED_API_KEY не установлен, система проверяет JINA_API_KEY как резервный вариант.

Google Gemini

Модели эмбеддингов Gemini доступны через Google AI API.

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

Модель	Размерность	Примечания
text-embedding-004	768	Текущая рекомендуемая модель
embedding-001	768	Устаревшая модель

Резервный ключ

Если PRX_EMBED_API_KEY не установлен, система проверяет GEMINI_API_KEY как резервный вариант.

Выбор модели

Приоритет	Рекомендуемая модель	Провайдер
Наилучшее качество	text-embedding-3-large	OpenAI-совместимый
Лучшее для кода	jina-embeddings-v2-base-code	Jina
Многоязычное	jina-embeddings-v3	Jina
Конфиденциальность / локально	Любая локальная модель через openai-compatible	Self-hosted
Экономичное	text-embedding-3-small	OpenAI-совместимый

Смена модели

При смене модели эмбеддингов существующие векторы становятся несовместимы с векторным пространством новой модели. Используйте инструмент memory_reembed, чтобы перегенерировать эмбеддинги всех сохранённых воспоминаний с новой моделью:

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

WARNING

Перегенерация требует вызовов API для каждого сохранённого воспоминания. Для больших баз данных это может занять значительное время и повлечь расходы на API. Планируйте перегенерацию на периоды низкой нагрузки.

Следующие шаги

• Пакетная обработка — эффективная массовая генерация эмбеддингов
• Модели реранкинга — варианты моделей второго этапа реранкинга
• Справочник конфигурации — все переменные окружения