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:

이 기술은 RAG 시스템 구축, 의미 검색, 문서 클러스터링 및 유사성 일치를 위한 Google Gemini 임베딩 API(gemini-embedding-001)의 전체 범위를 제공합니다. Google의 임베딩 모델로 벡터 검색을 구현하거나, Cloudflare Vectorize와 통합하거나, 검색 증강 생성 시스템을 구축할 때 사용하세요. SDK 사용(@google/genai), 가져오기 기반 작업자 구현, 일괄 처리, 8가지 작업 유형(RETRIEVAL_QUERY, RETRIEVAL_DOCUMENT, SEMANTIC_SIMILARITY 등), 차원 최적화(128-3072) 및 코사인 유사성 계산을 다룹니다. 차원 불일치, 잘못된 작업 유형, 속도 제한 문제(100RPM 프리 티어), 벡터 정규화 실수, 텍스트 잘림(2,048개 토큰 제한) 및 모델 버전 혼동을 포함한 8가지 이상의 임베딩 관련 오류를 방지합니다. Cloudflare Vectorize 통합, 청크 전략, 캐싱 패턴을 갖춘 프로덕션용 RAG 패턴이 포함되어 있습니다. 토큰 절약: ~60%. 생산 테스트를 거쳤습니다. 키워드: gemini 임베딩, gemini-embedding-001, google 임베딩, 의미 체계 검색, RAG, 벡터 검색, 문서 클러스터링, 유사성 검색, 검색 증강 생성, 벡터화 통합, cloudflare 벡터화 임베딩, 768 차원, 콘텐츠 임베딩 gemini, 배치 임베딩, 임베딩 API, 코사인 유사성, 벡터 정규화, 검색 쿼리, 검색 문서, 작업 유형, 차원 불일치, 임베딩 비율 제한, 텍스트 잘림, @google/genai 출처: jackspace/claudeskillz.

원본 보기