如何正确获取 OpenAI Embeddings API 返回的向量数据-js教程-PHP中文网

如何正确获取 OpenAI Embeddings API 返回的向量数据

本文详解 OpenAI Embeddings API 响应结构，指出常见访问错误（如解构失败导致 TypeError: undefined is not iterable），并提供准确、健壮的向量提取方式及完整可运行示例。

本文详解 openai embeddings api 响应结构，指出常见访问错误（如解构失败导致 `typeerror: undefined is not iterable`），并提供准确、健壮的向量提取方式及完整可运行示例。

在使用 OpenAI 的 embeddings.create() 方法时，许多开发者会误以为响应体中的 data 字段是一个对象数组（如 embeddingResponse.data.data），从而尝试用数组解构语法 const [{ embedding }] = embeddingResponse.data.data 来提取嵌入向量。但实际响应结构中，embeddingResponse.data 本身就是一个数组（而非嵌套在 .data.data 中），其每个元素为 { index, object, embedding } 形式的对象。

✅ 正确访问方式如下：

OpenAI Codex Operator

在目标项目目录中运行 OpenAI Codex CLI，完成实现、调试等编码任务。当用户请求 OpenClaw 使用 Codex 时触发。

下载

const embeddingResponse = await openai.embeddings.create({
  model: 'text-embedding-ada-002',
  input: document.replace(/\n/g, '')
});

// ✅ 正确：data 是数组，首个元素即本次请求的 embedding 结果
const embedding = embeddingResponse.data[0].embedding;

console.log('Embedding vector length:', embedding.length); // 通常为 1536（ada-002）

⚠️ 注意事项：

OpenAI Embeddings API 单次请求支持批量输入（最多 2048 个 token，或多个字符串组成的数组），因此 input 可直接传入 documents 数组，无需循环逐条调用——这能显著提升性能并减少请求次数；
若仍需逐条处理，请确保每次请求只传一个字符串（如上例），此时 embeddingResponse.data 必为长度为 1 的数组；
错误写法 embeddingResponse.data.data 会导致 undefined，进而引发 TypeError: undefined is not iterable（因尝试解构 undefined）；
建议添加基础错误处理，避免因网络或认证问题导致程序中断：

try {
  const embeddingResponse = await openai.embeddings.create({ model: 'text-embedding-ada-002', input });
  if (!Array.isArray(embeddingResponse.data) || embeddingResponse.data.length === 0) {
    throw new Error('Empty embedding response');
  }
  const embedding = embeddingResponse.data[0].embedding;
  console.log('Success:', embedding.slice(0, 5)); // 打印前5维示意
} catch (err) {
  console.error('Embedding failed:', err.message);
}

? 进阶建议：改用批量嵌入（推荐）
一次性提交全部文档，既高效又符合 API 最佳实践：

const documents = [
  "Cooper codes is a youtuber with 5,300 subscribers",
  "Cooper codes likes clam chowder",
  "Cooper codes has a video",
  "Cooper codes has a web site called coopercodes.com"
];

const embeddingResponse = await openai.embeddings.create({
  model: 'text-embedding-ada-002',
  input: documents.map(d => d.replace(/\n/g, ''))
});

// embeddingResponse.data[i].embedding 对应 documents[i]
for (let i = 0; i <p>掌握响应结构、避免过度嵌套访问、善用批量请求——这是稳定集成 OpenAI 向量化能力的关键。</p>