Embeddings OpenAI Node

Verwenden Sie den Embeddings OpenAI Node, um Embeddings für einen gegebenen Text zu generieren.

Auf dieser Seite finden Sie die Node-Parameter für den Embeddings OpenAI Node und Links zu weiteren Ressourcen.

Credentials

Sie finden Authentifizierungsinformationen für diesen Node hier.

Parameter resolution in sub-nodes

Sub-nodes behave differently to other nodes when processing multiple items using an expression.

Most nodes, including root nodes, take any number of items as input, process these items, and output the results. You can use expressions to refer to input items, and the node resolves the expression for each item in turn. For example, given an input of five name values, the expression {{ $json.name }} resolves to each name in turn.

In sub-nodes, the expression always resolves to the first item. For example, given an input of five name values, the expression {{ $json.name }} always resolves to the first name.

Node-Optionen

• Model: Wählen Sie das Modell aus, das für die Generierung von Embeddings verwendet werden soll.
• Base URL: Geben Sie die URL ein, an die die Anfrage gesendet werden soll. Verwenden Sie dies, wenn Sie ein selbst gehostetes OpenAI-ähnliches Modell verwenden.
• Batch Size: Geben Sie die maximale Anzahl an Dokumenten ein, die in jeder Anfrage gesendet werden sollen.
• Strip New Lines: Wählen Sie aus, ob Zeilenumbrüche aus dem Eingabetext entfernt werden sollen (eingeschaltet) oder nicht (ausgeschaltet). Localmind Automate aktiviert dies standardmäßig.
• Timeout: Geben Sie die maximale Zeit in Sekunden ein, die eine Anfrage dauern darf. Setzen Sie dies auf -1 für kein Timeout.

Verwandte Ressourcen

Weitere Informationen zum Service finden Sie in der OpenAI-Embeddings-Dokumentation von LangChain.

View Localmind Automate's Advanced AI documentation.

AI glossary

• completion: Completions are the responses generated by a model like GPT.
• hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
• vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
• vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.