القائمة
Generate text embeddings via OpenRouter using Qwen3-Embedding-8B.
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/QinghongLin/data2story-skill --skill openrouter-embeddingsيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | openrouter-embeddings |
| description | Generate text embeddings via OpenRouter using Qwen3-Embedding-8B. |
Text → embedding vector via OpenRouter. Default model: qwen/qwen3-embedding-8b.
Resolve TOOL_DIR = the directory containing this SKILL.md. Commands below use TOOL_DIR as a symbolic placeholder; replace it with the resolved, quoted path before running Bash.
export OPENROUTER_API_KEY=sk-or-v1-...
python3 TOOL_DIR/scripts/embed.py \
--text "The quick brown fox jumps over the lazy dog" \
--output vec.json
Input records.jsonl (one JSON per line):
{"id": "row_0", "text": "Every place name in the United States."}
{"id": "row_1", "text": "Nearby stars and potential exoplanets."}
Run:
python3 TOOL_DIR/scripts/embed.py \
--jsonl records.jsonl \
--output records_with_embeddings.jsonl \
--batch-size 32
Output is the same JSONL with an added embedding field per line.
| Flag | Default | Description |
|---|---|---|
--text | — | Embed one string (mutually exclusive with --jsonl) |
--jsonl | — | Embed many; each line must have a text field |
--output | required |
| Output path |
--model | qwen/qwen3-embedding-8b | Any embedding model on OpenRouter |
--batch-size | 32 | Records per API call (jsonl mode) |
--dimensions | — | Optional: truncate to N dims if supported |
POST /api/v1/embeddings — OpenAI-compatible schema.
Request:
{ "model": "qwen/qwen3-embedding-8b", "input": ["text1", "text2", ...] }
Response:
{ "data": [ { "embedding": [0.01, -0.02, ...], "index": 0 }, ... ], "model": "...", "usage": {...} }
qwen3-embedding-8b outputs high-dimensional dense vectors suitable for semantic similarity, clustering, RAG.qwen/qwen3-embedding-4b or other listed embedding models (GET /api/v1/embeddings/models).