google-gemini-embeddings
✓Dieser Skill bietet eine vollständige Abdeckung der Google Gemini Embeddings API (gemini-embedding-001) zum Aufbau von RAG-Systemen, semantischer Suche, Dokumenten-Clustering und Ähnlichkeitsabgleich. Verwendung bei der Implementierung der Vektorsuche mit den Einbettungsmodellen von Google, der Integration mit Cloudflare Vectorize oder dem Aufbau abruferweiterter Generierungssysteme. Deckt die SDK-Nutzung (@google/genai), die fetch-basierte Workers-Implementierung, Stapelverarbeitung, 8 Aufgabentypen (RETRIEVAL_QUERY, RETRIEVAL_DOCUMENT, SEMANTIC_SIMILARITY usw.), Dimensionsoptimierung (128-3072) und Kosinus-Ähnlichkeitsberechnungen ab. Verhindert mehr als 8 einbettungsspezifische Fehler, darunter Dimensionskonflikte, falsche Aufgabentypen, Probleme mit der Ratenbegrenzung (kostenloses Kontingent von 100 U/min), Fehler bei der Vektornormalisierung, Textkürzungen (2.048 Token-Limit) und Verwirrung bei der Modellversion. Enthält produktionsbereite RAG-Muster mit Cloudflare Vectorize-Integration, Chunking-Strategien und Caching-Muster. Token-Einsparungen: ~60 %. Produktionsgeprüft. Schlüsselwörter: Gemini-Einbettungen, Gemini-Embedding-001, Google-Einbettungen, semantische Suche, RAG, Vektorsuche, Dokumenten-Clustering, Ähnlichkeitssuche, Retrieval Augmented Generation, Vektorisierungsintegration, Cloudflare Vectorize Embeddings, 768 Dimensionen, Embed Content Gemini, Batch-Einbettungen, Einbettungs-API, Kosinusähnlichkeit, Vektornormalisierung, Abrufabfrage, Abruf Dokument, Aufgabentypen, Dimensionskonflikt, Einbettungsratenbegrenzung, Textkürzung, @google/genai
Installation
SKILL.md
This skill provides comprehensive coverage of the gemini-embedding-001 model for generating text embeddings, including SDK usage, REST API patterns, batch processing, RAG integration with Cloudflare Vectorize, and advanced use cases like semantic search and document clustering.
Result: A 768-dimension embedding vector representing the semantic meaning of the text.
The model supports flexible output dimensionality using Matryoshka Representation Learning:
Dieser Skill bietet eine vollständige Abdeckung der Google Gemini Embeddings API (gemini-embedding-001) zum Aufbau von RAG-Systemen, semantischer Suche, Dokumenten-Clustering und Ähnlichkeitsabgleich. Verwendung bei der Implementierung der Vektorsuche mit den Einbettungsmodellen von Google, der Integration mit Cloudflare Vectorize oder dem Aufbau abruferweiterter Generierungssysteme. Deckt die SDK-Nutzung (@google/genai), die fetch-basierte Workers-Implementierung, Stapelverarbeitung, 8 Aufgabentypen (RETRIEVAL_QUERY, RETRIEVAL_DOCUMENT, SEMANTIC_SIMILARITY usw.), Dimensionsoptimierung (128-3072) und Kosinus-Ähnlichkeitsberechnungen ab. Verhindert mehr als 8 einbettungsspezifische Fehler, darunter Dimensionskonflikte, falsche Aufgabentypen, Probleme mit der Ratenbegrenzung (kostenloses Kontingent von 100 U/min), Fehler bei der Vektornormalisierung, Textkürzungen (2.048 Token-Limit) und Verwirrung bei der Modellversion. Enthält produktionsbereite RAG-Muster mit Cloudflare Vectorize-Integration, Chunking-Strategien und Caching-Muster. Token-Einsparungen: ~60 %. Produktionsgeprüft. Schlüsselwörter: Gemini-Einbettungen, Gemini-Embedding-001, Google-Einbettungen, semantische Suche, RAG, Vektorsuche, Dokumenten-Clustering, Ähnlichkeitssuche, Retrieval Augmented Generation, Vektorisierungsintegration, Cloudflare Vectorize Embeddings, 768 Dimensionen, Embed Content Gemini, Batch-Einbettungen, Einbettungs-API, Kosinusähnlichkeit, Vektornormalisierung, Abrufabfrage, Abruf Dokument, Aufgabentypen, Dimensionskonflikt, Einbettungsratenbegrenzung, Textkürzung, @google/genai Quelle: jackspace/claudeskillz.
Fakten (zitierbereit)
Stabile Felder und Befehle für KI/Such-Zitate.
- Installationsbefehl
npx skills add https://github.com/jackspace/claudeskillz --skill google-gemini-embeddings- Quelle
- jackspace/claudeskillz
- Kategorie
- </>Entwicklung
- Verifiziert
- ✓
- Erstes Auftreten
- 2026-02-01
- Aktualisiert
- 2026-02-18
Schnelle Antworten
Was ist google-gemini-embeddings?
Dieser Skill bietet eine vollständige Abdeckung der Google Gemini Embeddings API (gemini-embedding-001) zum Aufbau von RAG-Systemen, semantischer Suche, Dokumenten-Clustering und Ähnlichkeitsabgleich. Verwendung bei der Implementierung der Vektorsuche mit den Einbettungsmodellen von Google, der Integration mit Cloudflare Vectorize oder dem Aufbau abruferweiterter Generierungssysteme. Deckt die SDK-Nutzung (@google/genai), die fetch-basierte Workers-Implementierung, Stapelverarbeitung, 8 Aufgabentypen (RETRIEVAL_QUERY, RETRIEVAL_DOCUMENT, SEMANTIC_SIMILARITY usw.), Dimensionsoptimierung (128-3072) und Kosinus-Ähnlichkeitsberechnungen ab. Verhindert mehr als 8 einbettungsspezifische Fehler, darunter Dimensionskonflikte, falsche Aufgabentypen, Probleme mit der Ratenbegrenzung (kostenloses Kontingent von 100 U/min), Fehler bei der Vektornormalisierung, Textkürzungen (2.048 Token-Limit) und Verwirrung bei der Modellversion. Enthält produktionsbereite RAG-Muster mit Cloudflare Vectorize-Integration, Chunking-Strategien und Caching-Muster. Token-Einsparungen: ~60 %. Produktionsgeprüft. Schlüsselwörter: Gemini-Einbettungen, Gemini-Embedding-001, Google-Einbettungen, semantische Suche, RAG, Vektorsuche, Dokumenten-Clustering, Ähnlichkeitssuche, Retrieval Augmented Generation, Vektorisierungsintegration, Cloudflare Vectorize Embeddings, 768 Dimensionen, Embed Content Gemini, Batch-Einbettungen, Einbettungs-API, Kosinusähnlichkeit, Vektornormalisierung, Abrufabfrage, Abruf Dokument, Aufgabentypen, Dimensionskonflikt, Einbettungsratenbegrenzung, Textkürzung, @google/genai Quelle: jackspace/claudeskillz.
Wie installiere ich google-gemini-embeddings?
Öffnen Sie Ihr Terminal oder Kommandozeilen-Tool (Terminal, iTerm, Windows Terminal, etc.) Kopieren Sie diesen Befehl und führen Sie ihn aus: npx skills add https://github.com/jackspace/claudeskillz --skill google-gemini-embeddings Nach der Installation wird der Skill automatisch in Ihrer KI-Programmierumgebung konfiguriert und ist bereit zur Verwendung in Claude Code oder Cursor
Wo ist das Quell-Repository?
https://github.com/jackspace/claudeskillz
Details
- Kategorie
- </>Entwicklung
- Quelle
- skills.sh
- Erstes Auftreten
- 2026-02-01