Gigachat Embeddings

---
name: gigachat-embeddings
description: Векторизация текстов через GigaChat — семантический поиск, дедупликация, кластеризация
argument-hint: <тексты или путь к файлу>
---

# /gigachat-embeddings — Эмбеддинги GigaChat

## Алгоритм

1. Собери массив текстов. Если пользователь дал файл — прочитай его и разбей на строки
   или абзацы; один элемент массива = одна единица, которую будем сравнивать.
2. Вызови `get_token_count` с model и input (массив текстов) — узнай, сколько токенов
   уйдёт. Это дешевле, чем упереться в лимит на середине большой партии.
3. Вызови `embed_text` с model = Embeddings и input — массивом текстов. Ответ содержит
   вектор на каждый текст.
4. Посчитай косинусную близость между векторами сам — сервер такого инструмента не даёт.
   Формула: скалярное произведение, делённое на произведение норм.
5. Отдай результат под задачу пользователя:
   - **поиск** — топ-N ближайших к запросу;
   - **дедупликация** — пары с близостью выше 0.95;
   - **кластеризация** — группы, где все пары ближе порога.
6. Если непонятно, какие модели доступны в этом аккаунте, вызови `list_models`.

## Формат ответа

```
## Эмбеддинги GigaChat

**Модель**: Embeddings
**Текстов**: 42
**Токенов**: 3 180
**Размерность вектора**: 1024

### Дубли (близость > 0.95)
| # | Текст A | Текст B | Близость |
|---|---------|---------|----------|
| 1 | «доставка за час» | «доставим за 1 час» | 0.981 |

### Кластеры
1. Доставка (12 текстов)
2. Оплата (8 текстов)
```

## Важно

- Для эмбеддингов модель называется Embeddings, а не GigaChat. Модель для диалога сюда
  не подходит.
- Векторы от разных моделей несравнимы между собой. Не смешивай выдачи двух прогонов
  с разными model.
- Большой массив лучше резать на партии — один вызов с сотнями длинных текстов упрётся
  в лимит запроса.

## Примеры

```
/gigachat-embeddings отзывы.txt найди дубли
/gigachat-embeddings "доставка", "самовывоз", "курьер" — кластеризуй
```