Embeddings de texto
Embedding é a representação numérica de um texto: frases com significado parecido viram vetores próximos. Esta tarefa recebe seu texto e devolve o vetor correspondente, pronto para alimentar busca semântica, comparação de conteúdo ou recomendação. É para quem quer trabalhar com vetores sem hospedar modelo nem gerenciar infraestrutura.
Rode online
Rode nos nossos servidores com a sua conta. As ferramentas grátis rodam no seu navegador; esta aqui é descontada do seu saldo do KIT pelo preço acima.
O que é um embedding, sem enrolação
Um embedding é uma lista de números que resume o significado de um texto. “Entrega atrasada” e “meu pedido não chegou” não dividem nenhuma palavra, mas os vetores dos dois ficam próximos — e é essa proximidade que permite comparar, buscar e agrupar por sentido. Você não precisa dominar a matemática para usar: envia o texto, recebe o vetor e guarda onde quiser — no seu banco de dados, numa planilha ou em memória.
Como funciona na prática
Você faz uma chamada à API com o texto e recebe um task_id; em seguida consulta a tarefa e baixa o resultado com o vetor em JSON. Dá para chamar do seu backend, de um script ou de uma automação — qualquer linguagem que fale HTTP serve. Cada chamada aceita até 20.000 tokens, o suficiente para vários parágrafos de uma vez. Para vetorizar um catálogo ou uma base inteira, o caminho mais econômico é a versão em lote da tarefa.
Quanto custa, com as contas na mesa
O preço tem duas partes: US$ 0,002 por chamada e US$ 0,0015 por 1.000 tokens processados. Um texto de 1.000 tokens sai por US$ 0,0035 no total, somando as duas. Não tem mensalidade, não tem plano mínimo e não tem surpresa no fim do mês: você paga pelo que processar, e o preço está publicado nesta página. Para estimar o custo de um projeto, basta multiplicar o volume de tokens pela tarifa — a conta fecha antes de você começar.
Boas práticas antes de vetorizar
Vetor bom começa com texto bem preparado. Corte assinaturas de e-mail, avisos legais repetidos e qualquer coisa que não carrega significado — isso melhora a comparação e ainda reduz os tokens cobrados. Textos muito longos rendem mais quando divididos em trechos de um assunto só: um vetor por parágrafo costuma buscar melhor que um vetor por documento inteiro. E se o conteúdo tem nomes ou CPFs que não fazem falta para o significado, anonimize antes de enviar.
Casos de uso
Busca interna no helpdesk
A TecnoSul Soluções Digitais vetorizou os artigos da base de conhecimento. Quando um cliente escreve “não consigo emitir a nota”, o sistema compara o vetor da pergunta com os dos artigos e mostra o tutorial certo — mesmo sem nenhuma palavra em comum.
Deduplicação de chamados
Rafael Almeida Costa, dev de uma software house em Curitiba, gera o vetor de cada chamado novo e compara com os já abertos: se dois clientes relatam o mesmo bug com palavras diferentes, o time trata uma vez só.
Protótipo de busca no e-commerce
Uma loja virtual de autopeças vetoriza as descrições dos produtos para testar busca por significado antes de contratar qualquer plataforma cara: o vetor de “farol queimado” aproxima o cliente da lâmpada certa.
Perguntas frequentes
Qual a diferença entre embedding e busca por palavra-chave?
A busca por palavra-chave só acha o que foi digitado igual; o embedding acha o que significa parecido. Na prática os dois se complementam — tanto que o KIT também tem busca híbrida, que combina as duas abordagens.
Em que formato o vetor é entregue?
No resultado da tarefa, em JSON: uma lista de números que você guarda onde preferir — Postgres com pgvector, SQLite, planilha ou o banco vetorial da sua escolha. O vetor é seu.
Quanto custa vetorizar 1 milhão de tokens?
US$ 1,50 de processamento (US$ 0,0015 por 1.000 tokens) mais o custo das chamadas. Em 50 chamadas de 20.000 tokens cada, são US$ 0,10 de base — total de US$ 1,60.
Preciso criar conta para usar?
Não. Não existe cadastro: a compra é direta, o pagamento é via PayPal e o suporte responde por e-mail ou WhatsApp — uma pessoa de verdade, em espanhol ou inglês (pode escrever em português).
O texto que eu envio fica guardado em algum lugar?
Ele é processado para gerar o vetor, e o resultado fica disponível para você baixar pela tarefa. Se o conteúdo tem dados pessoais que não afetam o significado, anonimize antes de enviar — embedding não precisa de nome nem de CPF para funcionar.
Embeddings funcionam bem com texto em português?
Sim. Envie o texto como ele é, com acento e tudo. Não precisa traduzir para o inglês antes — isso, aliás, só pioraria a comparação entre os seus próprios textos.
Para desenvolvedores — acesso via API
Tudo nesta página está disponível via API. Esta seção é para equipes que querem integrar a ferramenta aos próprios sistemas; quem não precisa disso pode simplesmente usar a ferramenta acima.
Endpoint
Autenticação por token Bearer. Um único POST coloca a tarefa na fila; o resultado chega por webhook ou link assinado.
Chame do seu código
curl -X POST https://api.kit.forhosting.com/search/embed \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"text":"…"}'const res = await fetch("https://api.kit.forhosting.com/search/embed", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"text": "…"
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/search/embed",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"text": "…"
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/search/embed", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"text":"…"}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"text":"…"}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/search/embed", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)Exemplo de requisição
{
"text": "…"
}Exemplo de resposta
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "search.embed",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}A API é assíncrona: cada chamada devolve um task_id na hora. Se preferir polling, consulte o status a até 1 requisição por segundo.
Preço
Preço publicado, sem tokens nem créditos escondidos. Tarefa que falha não é cobrada.
Limites
max_chunks | 10000 |
max_tokens | 20000 |
Erros
| HTTP | Código | O que significa |
|---|---|---|
401 | unauthorized | Token ausente ou inválido. Confira o header Authorization. |
402 | insufficient_balance | Saldo insuficiente para esta tarefa. Faça uma recarga e tente de novo. |
404 | unknown_type | Esse tipo de tarefa não existe. Confira o campo type no catálogo. |
429 | rate_limited | Muitas requisições em pouco tempo. Espere um instante e tente de novo. |