CrazyrouterCrazyrouter
Login
Back to Blog
Text-Embedding-3-Small API-Tutorial – OpenAI Embedding-Modelleitfaden

Text-Embedding-3-Small API-Tutorial – OpenAI Embedding-Modelleitfaden

C
Crazyrouter Team
January 26, 2026
12 viewsDeutschTutorial
Share:

Bauen Sie eine semantische Suchmaschine oder ein RAG-System (Retrieval-Augmented Generation)? Text-embedding-3-small ist OpenAIs neuestes Embedding-Modell, das Text in numerische Vektoren umwandelt und so leistungsstarke Ähnlichkeitssuche und Inhaltsabruf ermöglicht.

In diesem Leitfaden lernen Sie:

  • Was Text-Embeddings sind und warum sie wichtig sind
  • Wie Sie die text-embedding-3-small API verwenden
  • Vollständige Codebeispiele in Python und Node.js
  • Benutzerdefinierte Dimensionen für optimierte Speicherung
  • Preisvergleich und Kostenoptimierung

What is Text-Embedding-3-Small?#

Text-embedding-3-small ist OpenAIs kompaktes Embedding-Modell, das im Januar 2024 veröffentlicht wurde. Es wandelt Text in 1536-dimensionale Vektoren um, die semantische Bedeutung erfassen und Folgendes ermöglichen:

  • Semantische Suche: Relevante Dokumente anhand ihrer Bedeutung finden, nicht nur anhand von Keywords
  • RAG-Systeme: Kontext für LLM-Antworten abrufen
  • Similarity Matching: Textähnlichkeit für Empfehlungen vergleichen
  • Clustering: Ähnliche Dokumente gruppieren
  • Klassifikation: Text anhand seines Inhalts kategorisieren

Model Specifications#

SpecificationValue
Model Nametext-embedding-3-small
Default Dimensions1536
Custom Dimensions256, 512, 1024, 1536
Max Input Tokens8,191
OutputNormalized vector

Quick Start#

Prerequisites#

  1. Registrieren Sie sich bei Crazyrouter
  2. Holen Sie sich Ihren API-Schlüssel aus dem Dashboard
  3. Python 3.8+ oder Node.js 16+

Python Example#

python
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

# Generate embedding for a single text
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="Machine learning is transforming industries worldwide."
)

embedding = response.data[0].embedding
print(f"Dimensions: {len(embedding)}")  # Output: 1536
print(f"First 5 values: {embedding[:5]}")

Node.js Example#

javascript
import OpenAI from 'openai';

const client = new OpenAI({
    apiKey: 'your-crazyrouter-api-key',
    baseURL: 'https://crazyrouter.com/v1'
});

async function getEmbedding(text) {
    const response = await client.embeddings.create({
        model: 'text-embedding-3-small',
        input: text
    });

    return response.data[0].embedding;
}

// Usage
const embedding = await getEmbedding('Machine learning is amazing');
console.log(`Dimensions: ${embedding.length}`);  // Output: 1536

cURL Example#

bash
curl -X POST https://crazyrouter.com/v1/embeddings \
  -H "Authorization: Bearer your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "Hello world"
  }'

Response:

json
{
  "object": "list",
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 2,
    "total_tokens": 2
  },
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [-0.0020785425, -0.049085874, 0.02094679, ...]
    }
  ]
}

Batch Embedding#

Verarbeiten Sie mehrere Texte in einem einzigen API-Aufruf für bessere Effizienz:

python
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

# Batch embedding - multiple texts at once
texts = [
    "Python is a programming language",
    "JavaScript runs in browsers",
    "Machine learning uses neural networks"
]

response = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts
)

# Access each embedding
for i, data in enumerate(response.data):
    print(f"Text {i}: {len(data.embedding)} dimensions")

# Output:
# Text 0: 1536 dimensions
# Text 1: 1536 dimensions
# Text 2: 1536 dimensions

Custom Dimensions#

Reduzieren Sie Speicherkosten, indem Sie kleinere Dimensionen verwenden. Das Modell unterstützt Dimensionsreduktion bei gleichbleibend hoher Qualität:

python
# Use 512 dimensions instead of 1536
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="Your text here",
    dimensions=512  # Options: 256, 512, 1024, 1536
)

embedding = response.data[0].embedding
print(f"Dimensions: {len(embedding)}")  # Output: 512

Dimension Comparison#

DimensionsStorage (per vector)Use Case
2561 KBMobile-Apps, begrenzter Speicher
5122 KBAusgewogene Performance
10244 KBHohe Genauigkeitsanforderungen
15366 KBMaximale Genauigkeit

Building a Semantic Search System#

Hier ist ein vollständiges Beispiel zum Aufbau eines semantischen Suchsystems:

python
import numpy as np
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

def get_embedding(text):
    """Get embedding for a single text"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

def cosine_similarity(a, b):
    """Calculate cosine similarity between two vectors"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# Document database
documents = [
    "Python is great for data science and machine learning",
    "JavaScript is essential for web development",
    "Docker containers simplify deployment",
    "Kubernetes orchestrates container workloads",
    "PostgreSQL is a powerful relational database"
]

# Pre-compute embeddings for all documents
doc_embeddings = [get_embedding(doc) for doc in documents]

# Search function
def search(query, top_k=3):
    query_embedding = get_embedding(query)

    # Calculate similarities
    similarities = [
        cosine_similarity(query_embedding, doc_emb)
        for doc_emb in doc_embeddings
    ]

    # Get top results
    results = sorted(
        zip(documents, similarities),
        key=lambda x: x[1],
        reverse=True
    )[:top_k]

    return results

# Example search
results = search("How to deploy applications?")
for doc, score in results:
    print(f"Score: {score:.4f} - {doc}")

# Output:
# Score: 0.8234 - Docker containers simplify deployment
# Score: 0.7891 - Kubernetes orchestrates container workloads
# Score: 0.6543 - PostgreSQL is a powerful relational database

Integration with Vector Databases#

Pinecone Integration#

python
import pinecone
from openai import OpenAI

# Initialize clients
client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

pinecone.init(api_key="your-pinecone-key")
index = pinecone.Index("your-index")

def embed_and_upsert(texts, ids):
    """Embed texts and store in Pinecone"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )

    vectors = [
        (id, data.embedding)
        for id, data in zip(ids, response.data)
    ]

    index.upsert(vectors=vectors)

def search_pinecone(query, top_k=5):
    """Search Pinecone with query embedding"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=query
    )

    results = index.query(
        vector=response.data[0].embedding,
        top_k=top_k
    )

    return results

ChromaDB Integration#

python
import chromadb
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

# Initialize ChromaDB
chroma_client = chromadb.Client()
collection = chroma_client.create_collection("documents")

def get_embeddings(texts):
    """Get embeddings for multiple texts"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )
    return [data.embedding for data in response.data]

# Add documents
documents = ["doc1 content", "doc2 content", "doc3 content"]
embeddings = get_embeddings(documents)

collection.add(
    embeddings=embeddings,
    documents=documents,
    ids=["doc1", "doc2", "doc3"]
)

# Query
query_embedding = get_embeddings(["search query"])[0]
results = collection.query(
    query_embeddings=[query_embedding],
    n_results=3
)

Available Embedding Models#

Crazyrouter bietet Zugriff auf mehrere OpenAI Embedding-Modelle:

ModelDimensionsPrice RatioBest For
text-embedding-3-small15360.01Allgemeiner Einsatz, bestes Preis-Leistungs-Verhältnis
text-embedding-3-large30720.065Anforderungen mit hoher Präzision
text-embedding-ada-00215360.05Legacy-Kompatibilität

Pricing Comparison#

ProviderModelPrice per 1M tokens
OpenAI Officialtext-embedding-3-small$0.020
Crazyroutertext-embedding-3-small$0.002
OpenAI Officialtext-embedding-3-large$0.130
Crazyroutertext-embedding-3-large$0.013

Pricing Disclaimer: Prices shown are for demonstration and may change. Actual billing is based on real-time prices at request time.

Cost Savings Example:

Für ein RAG-System, das 10M Tokens/Monat verarbeitet:

  • OpenAI Official: $200/Monat
  • Crazyrouter: $20/Monat
  • Ersparnis: 90%

Best Practices#

1. Batch Your Requests#

python
# Good - single API call for multiple texts
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=["text1", "text2", "text3"]  # Up to 2048 texts
)

# Bad - multiple API calls
for text in texts:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )

2. Cache Embeddings#

python
import hashlib
import json

embedding_cache = {}

def get_embedding_cached(text):
    # Create cache key
    cache_key = hashlib.md5(text.encode()).hexdigest()

    if cache_key in embedding_cache:
        return embedding_cache[cache_key]

    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )

    embedding = response.data[0].embedding
    embedding_cache[cache_key] = embedding

    return embedding

3. Use Appropriate Dimensions#

  • 256 dimensions: Mobile-Apps, IoT-Geräte
  • 512 dimensions: Webanwendungen mit Speicherbeschränkungen
  • 1024 dimensions: Standardanwendungen
  • 1536 dimensions: Anforderungen mit maximaler Genauigkeit

Frequently Asked Questions#

What's the difference between text-embedding-3-small and text-embedding-3-large?#

Text-embedding-3-small erzeugt 1536-dimensionale Vektoren und ist auf Kosteneffizienz optimiert. Text-embedding-3-large erzeugt 3072-dimensionale Vektoren mit höherer Genauigkeit, aber zu 6,5-fachen Kosten. Für die meisten Anwendungen liefert text-embedding-3-small ausgezeichnete Ergebnisse.

Can I reduce dimensions after generating embeddings?#

Ja, Sie können den Parameter dimensions verwenden, um kleinere Vektoren direkt zu erzeugen. Das ist effizienter, als zunächst vollständige Vektoren zu generieren und diese anschließend zu kürzen.

How many texts can I embed in one request?#

Sie können bis zu 2048 Texte in einer einzigen API-Anfrage einbetten. Für große Datensätze sollten Sie Ihre Anfragen in Gruppen von 2048 aufteilen.

Are the embeddings normalized?#

Ja, text-embedding-3-small gibt normalisierte Vektoren (Länge 1) zurück, sodass Sie das Skalarprodukt anstelle der Kosinusähnlichkeit für schnellere Berechnungen verwenden können.

Getting Started#

  1. Registrieren Sie sich bei Crazyrouter
  2. Holen Sie sich Ihren API-Schlüssel aus dem Dashboard
  3. Installieren Sie das SDK: pip install openai oder npm install openai
  4. Starten Sie mit Embeddings anhand der obigen Codebeispiele

Related Articles:

For questions, contact support@crazyrouter.com

Available in other languages:

العربيةDanskEnglishEspañolFrançaisBahasa IndonesiaItaliano日本語Қазақша한국어Bahasa MelayuNederlandsNorskPolskiPortuguêsРусскийไทยTürkçeTiếng Việt中文

Related Articles

Beste KI-Musikgeneratoren 2026: Suno vs Udio vs Stable Audio im VergleichTutorial

Beste KI-Musikgeneratoren 2026: Suno vs Udio vs Stable Audio im Vergleich

Den richtigen KI-Musikgenerator zu wählen, kann überwältigend sein. Dieser Leitfaden vergleicht die besten KI-Musiktools, die 2026 verfügbar sind

Jan 23
Gemini CLI Benutzerhandbuch – Google KI in deinem TerminalTutorial

Gemini CLI Benutzerhandbuch – Google KI in deinem Terminal

Vollständige Anleitung zur Installation und Konfiguration der Gemini CLI, dem Open-Source-Kommandozeilen-KI-Tool von Google. Lerne, wie du einen Proxy einrichtest, die integrierten Tools nutzt und Workflows mit Gemini 2.5 Pro automatisierst.

Jan 24
Doubao Seed Code: ByteDance' KI-Modell für Code-Generierung – Vollständige API-AnleitungTutorial

Doubao Seed Code: ByteDance' KI-Modell für Code-Generierung – Vollständige API-Anleitung

Lerne, wie du Doubao Seed Code, das leistungsstarke KI-Modell von ByteDance zur Code-Generierung, verwendest. Vollständiges API-Tutorial mit Beispielen in Python, Node.js und einem Preisvergleich.

Jan 26