在關鍵字搜尋中，系統只會單純的查找題目和答案中有沒有包含關鍵字，但我希望可以搜尋到和這個關鍵字相關的內容，並且依照相關度來排序。那這又有了另一個問題，要怎麼判斷相關程度？這時候就需要用到向量搜尋。
向量搜尋是什麼？不同於前幾天做的關鍵字搜尋，向量搜尋會透過把文字轉換為向量，來判斷文字之間的關聯性。在開始之前，我們需要先生成所有題目的向量。

▍程式碼

def embeddings():
    import os
    import json
    from mistralai import Mistral

    api_key = os.environ.get("MISTRAL_API_KEY")

    # 載入題目 JSON 檔案
    json_path = os.path.join( "題目檔案路徑" )
    try:
        with open(json_path, 'r', encoding='utf-8-sig') as f:
            questions = json.load(f)
        print("成功載入題目檔案。")
    except FileNotFoundError:
        print(f"錯誤: 找不到題目檔案於 {json_path}")
        return
    except json.JSONDecodeError as e:
        print(f"解析 JSON 檔案時發生錯誤: {e}")
        return

    client = Mistral(api_key=api_key)
    model = "mistral-embed"

    # 提取所有題目，存到一個列表中
    questions_text = [item.get("題目", "") for item in questions if "題目" in item]
    if not questions_text:
        print("錯誤: 題目列表中沒有找到任何題目。")
        return

    # 為所有題目生成嵌入向量
    try:
        embeddings_batch_response = client.embeddings.create(
            model=model,
            inputs=questions_text,
        )
        # 從回應中提取嵌入向量
        embeddings_list = [item.embedding for item in embeddings_batch_response.data]
        print("成功生成所有題目的嵌入向量。")
    except Exception as e:
        print(f"生成嵌入向量時發生錯誤: {e}")
        return

    # 將題目及其嵌入向量儲存為 JSON 檔案
    output_data = []
    # 遍歷原始題目和新生成的向量，將它們組合起來
    for i, item in enumerate(questions):
        if i < len(embeddings_list):
            item["embedding"] = embeddings_list[i]
            output_data.append(item)
    
    output_path = os.path.join( "存檔路徑" )
    try:
        with open(output_path, 'w', encoding='utf-8') as f:
            json.dump(output_data, f, ensure_ascii=False, indent=4)
        print(f"成功將嵌入向量儲存至 {output_path}")
    except IOError as e:
        print(f"寫入檔案時發生錯誤: {e}")

Mistral Embed模型是什麼？
Mistral Embed模型是一個專門設計來把文字轉換成向量的模型。文字會被轉換為一個高維度的向量，能夠應用在分群、語意比對等方面。

生成後找到檔案會發現，embedding欄位內容多的看不到底，這是因為Mistral Embed模型會將文字轉換為一個1024維的向量，排起來就是一條看不到底的超長陣列。

今天成功把題目的向量都生成好了，明天來加入向量搜尋。