Embeddings 语义检索 API
把营销数据和内容资产
放进同一个语义检索层
将文本转换为高维向量，适用于语义搜索、聚类、推荐与 RAG 检索。特别适合把 SERP 摘要、竞品页面、FAQ、产品资料与历史文章统一向量化，成为营销工作流的检索基础设施。
python
from openai import OpenAI
client = OpenAI(
api_key="smt_live_xxx",
base_url="https://api.seermartech.cn/v1",
)
resp = client.embeddings.create(
model="text-embedding-3-small",
input="竞品页面摘要 / 品牌 FAQ / 历史文章片段",
)
print(len(resp.data[0].embedding))工作流
Embeddings 在营销系统里的典型用法
不仅是 RAG，也适合内容资产管理、主题发现与 SERP/GEO 数据联动检索。
品牌知识库与 RAG
把产品资料、FAQ、案例、历史文章与客户素材向量化，构建高召回的营销知识库检索层。
竞品页面聚类与相似内容发现
对竞品文章、落地页与 SERP 摘要进行向量化，找出内容模式、主题簇与可切入空白。
SEO 数据 + 内容资产统一检索
把外部 SERP/关键词情报和内部内容资产放进同一个向量空间，服务选题、问答与内容复用。
把外部情报与内部知识放进同一个向量空间
对营销团队来说，Embeddings 的价值不只是向量化，而是让数据查询、知识资产和 LLM 生成串成闭环。
- ✓把 SERP 摘要、关键词洞察和竞品内容统一向量化，方便做选题与内容差异发现
- ✓把 FAQ、产品资料、案例和历史文章向量化，支持品牌知识库问答与 RAG
- ✓与 LLM 共用同一余额，检索后可直接进入内容 Brief、摘要与改写工作流
curl
curl -X POST "https://api.seermartech.cn/v1/embeddings" \
-H "Authorization: Bearer smt_live_xxx" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": "一段 SERP 摘要、FAQ 文本或竞品内容片段"
}'计费
按 token 透明计费
适合做大规模内容向量化与 RAG 检索，费用可预测，响应头实时返回扣费金额。
text-embedding-3-small≈ ¥0.00032 / 1K
text-embedding-3-large≈ ¥0.00208 / 1K
text-embedding-ada-002≈ ¥0.00160 / 1K