google-gemini-embeddings

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:

このスキルは、RAG システム、セマンティック検索、ドキュメント クラスタリング、類似性マッチングを構築するための Google Gemini embedding API (gemini-embedding-001) を完全にカバーします。 Google の埋め込みモデルを使用したベクトル検索を実装する場合、Cloudflare Vectorize と統合する場合、または検索拡張生成システムを構築する場合に使用します。 SDK の使用法 (@google/genai)、フェッチベースのワーカー実装、バッチ処理、8 つのタスク タイプ (RETRIEVAL_QUERY、RETRIEVAL_DOCUMENT、SEMANTIC_SIMILARITY など)、ディメンションの最適化 (128-3072)、コサイン類似度の計算について説明します。ディメンションの不一致、不正なタスク タイプ、レート制限の問題 (100 RPM 無料枠)、ベクトル正規化の間違い、テキストの切り捨て (2,048 トークン制限)、モデル バージョンの混乱など、埋め込み固有の 8 つ以上のエラーを防止します。 Cloudflare Vectorize統合、チャンキング戦略、キャッシュパターンを備えた本番環境に対応したRAGパターンが含まれています。トークンの節約: ~60%。製造テスト済み。 キーワード: gemini エンベディング、gemini-embedding-001、google エンベディング、セマンティック検索、RAG、ベクトル検索、ドキュメント クラスタリング、類似性検索、検索拡張生成、ベクトル化統合、cloudflare ベクトル化エンベディング、768 次元、埋め込みコンテンツ ジェミニ、バッチ埋め込み、埋め込み API、コサイン類似度、ベクトル正規化、検索クエリ、取得ドキュメント、タスク タイプ、ディメンションの不一致、埋め込みレート制限、テキストの切り捨て、@google/genai ソース: jackspace/claudeskillz。

原文を見る