google-gemini-embeddings

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:

Создавайте системы RAG, семантический поиск и кластеризацию документов с помощью API встраивания Gemini (gemini-embedding-001). Создавайте вложения измерений 768–3072 для векторного поиска, интегрируйте их с Cloudflare Vectorize и используйте 8 типов задач (RETRIEVAL_QUERY, RETRIEVAL_DOCUMENT, SEMANTIC_SIMILARITY) для оптимизации поиска. Используйте при: реализации векторного поиска с помощью внедрений Google, создании систем генерации с расширенным поиском, создании функций семантического поиска, кластеризации документов по смыслу, интеграции внедрений с Cloudflare Vectorize, оптимизации размеров размеров (128–3072) или устранении ошибок несоответствия размеров, неправильном выборе типа задачи, проблемах с ограничением скорости (уровень бесплатного пользования 100 об/мин), ошибках векторной нормализации или ошибках усечения текста (2048 токенов). лимит). Источник: ovachiever/droid-tings.