> For the complete documentation index, see [llms.txt](https://guides.ia.numerique.gouv.fr/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://guides.ia.numerique.gouv.fr/albert-api/guides/embeddings.md).

# Embeddings

L’endpoint **`POST /v1/embeddings`** calcule des vecteurs pour du texte (ou des entrées tokenisées) à l’aide d’un modèle dont le type est **`text-embeddings-inference`**.

## Requête

Champs principaux du schéma **`EmbeddingsRequest`** :

* **`model`** : identifiant d’un modèle d’embeddings (obtenu via `GET /v1/models`) ;
* **`input`** : chaîne unique ou **liste de chaînes** (batch) ; chaque entrée doit respecter la limite du modèle (**`max_context_length`** côté `Model`) ;
* **`dimensions`** : dimension vectorielle souhaitée (si supportée par le modèle) ;
* **`encoding_format`** : format des valeurs (en pratique, `float` est le format attendu).

## Réponse

La réponse suit le format OpenAI embeddings : `data[]` contient des objets avec `embedding` et `index` ; et un objet `usage` de facturation/monitoring.

Pour les schémas exacts, voir la [page de l’endpoint Embeddings](https://doc.incubateur.net/alliance/albert-api/api-reference/liste-des-endpoint/embeddings).

## Exemples (curl / Python / JavaScript)

{% tabs %}
{% tab title="curl" %}

```bash
curl -sS "https://albert.api.etalab.gouv.fr/v1/embeddings" \
  -H "Authorization: Bearer $ALBERT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "REMPLACER_PAR_MODELE_EMBEDDINGS",
    "input": [
      "Le chat est un animal domestique.",
      "La France a pour capitale Paris."
    ]
  }'
```

{% endtab %}

{% tab title="Python" %}

```python
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://albert.api.etalab.gouv.fr/v1",
    api_key=os.environ["ALBERT_API_KEY"],
)

r = client.embeddings.create(
    model="REMPLACER_PAR_MODELE_EMBEDDINGS",
    input=["Première phrase.", "Deuxième phrase."],
)

for item in r.data:
    print("index=", item.index, "dim=", len(item.embedding))
```

{% endtab %}

{% tab title="JavaScript" %}

```javascript
import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://albert.api.etalab.gouv.fr/v1",
  apiKey: process.env.ALBERT_API_KEY,
});

const r = await client.embeddings.create({
  model: "REMPLACER_PAR_MODELE_EMBEDDINGS",
  input: ["Première phrase.", "Deuxième phrase."],
});

for (const item of r.data) {
  console.log("index=", item.index, "dim=", item.embedding.length);
}
```

{% endtab %}
{% endtabs %}

## Bon à savoir

Si votre objectif est de faire de la recherche RAG “bout en bout”, vous pouvez aussi éviter de gérer un index vectoriel vous-même : utilisez `POST /v1/search` et/ou `SearchTool`, voir [Génération Augmentée par Récupération (RAG)](/albert-api/guides/rag.md).


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://guides.ia.numerique.gouv.fr/albert-api/guides/embeddings.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.