如何使用 Azure AI 模型推斷服務產生內嵌 - Azure AI Foundry

重要

本文中標示為 (預覽) 的項目目前處於公開預覽狀態。此預覽版本沒有服務等級協定，不建議將其用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

本文說明如何在 Azure AI 服務中使用內嵌 API 搭配部署至 Azure AI 模型推斷的模型。

必要條件

若要在應用程式中使用內嵌模型，您需要：

Azure 訂用帳戶。如果您使用 GitHub Models，您可以升級您的體驗，並在程式中建立 Azure 訂用帳戶。如果您的情況，請閱讀從 GitHub 模型升級至 Azure AI 模型推斷。
Azure AI 服務資源。如需詳細資訊，請參閱建立 Azure AI 服務資源。
端點 URL 和金鑰。

內嵌模型部署。如果您沒有一個讀取將模型新增並設定至 Azure AI 服務，以將內嵌模型新增至您的資源。
使用下列命令安裝 Azure AI 推斷套件：
```
pip install -U azure-ai-inference
```
提示

深入了解 [Azure AI 推斷套件和參考]。

使用內嵌

首先，建立用戶端以取用模型。下列程式碼會使用儲存在環境變數中的端點 URL 和金鑰。

import os
from azure.ai.inference import EmbeddingsClient
from azure.core.credentials import AzureKeyCredential

model = EmbeddingsClient(
    endpoint=os.environ["AZURE_INFERENCE_ENDPOINT"],
    credential=AzureKeyCredential(os.environ["AZURE_INFERENCE_CREDENTIAL"]),
    model="text-embedding-3-small"
)

如果您已將資源設定為 Microsoft Entra ID 支援，您可以使用下列代碼段來建立用戶端。

import os
from azure.ai.inference import EmbeddingsClient
from azure.core.credentials import AzureKeyCredential

model = EmbeddingsClient(
    endpoint=os.environ["AZURE_INFERENCE_ENDPOINT"],
    credential=DefaultAzureCredential(),
    model="text-embedding-3-small"
)

建立內嵌

建立內嵌要求以查看模型的輸出。

response = model.embed(
    input=["The ultimate answer to the question of life"],
)

提示

建立要求時，請考慮到模型的令牌輸入限制。如果您需要內嵌較大的文字部分，則需要區塊化策略。

回應如下，其中您可以查看模型的使用量統計資料：

import numpy as np

for embed in response.data:
    print("Embeding of size:", np.asarray(embed.embedding).shape)

print("Model:", response.model)
print("Usage:", response.usage)

在輸入批次中計算內嵌很實用。參數 inputs 可以是字串清單，其中每個字串都是不同的輸入。接著，回應是內嵌的清單，其中每個內嵌都會對應至相同位置的輸入。

response = model.embed(
    input=[
        "The ultimate answer to the question of life", 
        "The largest planet in our solar system is Jupiter",
    ],
)

回應如下，其中您可以查看模型的使用量統計資料：

import numpy as np

for embed in response.data:
    print("Embeding of size:", np.asarray(embed.embedding).shape)

print("Model:", response.model)
print("Usage:", response.usage)

提示

建立要求批次時，請考慮到每個模型的批次限制。大部分的模型都有1024批次限制。

指定內嵌維度

您可以指定內嵌的維度數目。下列範例程式代碼示範如何使用 1024 維度建立內嵌。請注意，並非所有內嵌模型都支援指出要求中的維度數目，而且在這些情況下會傳回 422 錯誤。

response = model.embed(
    input=["The ultimate answer to the question of life"],
    dimensions=1024,
)

建立不同類型的內嵌

根據您打算如何使用這些模型，某些模型可以針對相同的輸入產生多個內嵌。此功能可讓您針對 RAG 模式擷取更精確的內嵌。

下列範例示範如何建立內嵌，其用來建立將儲存在向量資料庫中之文件的內嵌：

from azure.ai.inference.models import EmbeddingInputType

response = model.embed(
    input=["The answer to the ultimate question of life, the universe, and everything is 42"],
    input_type=EmbeddingInputType.DOCUMENT,
)

當您處理查詢以擷取這類文件時，您可以使用下列程式碼片段來建立查詢的內嵌，並將擷取效能最大化。

from azure.ai.inference.models import EmbeddingInputType

response = model.embed(
    input=["What's the ultimate meaning of life?"],
    input_type=EmbeddingInputType.QUERY,
)

請注意，並非所有內嵌模型都支援指出要求中的輸入類型，而且在這些情況下會傳回 422 錯誤。根據預設，會傳回型 Text 別的內嵌。

重要

本文中標示為 (預覽) 的項目目前處於公開預覽狀態。此預覽版本沒有服務等級協定，不建議將其用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

本文說明如何在 Azure AI 服務中使用內嵌 API 搭配部署至 Azure AI 模型推斷的模型。

必要條件

若要在應用程式中使用內嵌模型，您需要：

Azure 訂用帳戶。如果您使用 GitHub Models，您可以升級您的體驗，並在程式中建立 Azure 訂用帳戶。如果您的情況，請閱讀從 GitHub 模型升級至 Azure AI 模型推斷。
Azure AI 服務資源。如需詳細資訊，請參閱建立 Azure AI 服務資源。
端點 URL 和金鑰。

內嵌模型部署。如果您沒有一個讀取將模型新增並設定至 Azure AI 服務，以將內嵌模型新增至您的資源。
使用下列命令安裝適用於 JavaScript 的 Azure 推斷連結庫：
```
npm install @azure-rest/ai-inference
```
提示

深入了解 [Azure AI 推斷套件和參考]。

使用內嵌

首先，建立用戶端以取用模型。下列程式碼會使用儲存在環境變數中的端點 URL 和金鑰。

import ModelClient from "@azure-rest/ai-inference";
import { isUnexpected } from "@azure-rest/ai-inference";
import { AzureKeyCredential } from "@azure/core-auth";

const client = new ModelClient(
    process.env.AZURE_INFERENCE_ENDPOINT, 
    new AzureKeyCredential(process.env.AZURE_INFERENCE_CREDENTIAL),
    "text-embedding-3-small"
);

如果您已將資源設定為 Microsoft Entra ID 支援，您可以使用下列代碼段來建立用戶端。

import ModelClient from "@azure-rest/ai-inference";
import { isUnexpected } from "@azure-rest/ai-inference";
import { DefaultAzureCredential }  from "@azure/identity";

const client = new ModelClient(
    process.env.AZURE_INFERENCE_ENDPOINT, 
    new DefaultAzureCredential(),
    "text-embedding-3-small"
);

建立內嵌

建立內嵌要求以查看模型的輸出。

var response = await client.path("/embeddings").post({
    body: {
        input: ["The ultimate answer to the question of life"],
    }
});

提示

建立要求時，請考慮到模型的令牌輸入限制。如果您需要內嵌較大的文字部分，則需要區塊化策略。

回應如下，其中您可以查看模型的使用量統計資料：

if (isUnexpected(response)) {
    throw response.body.error;
}

console.log(response.embedding);
console.log(response.body.model);
console.log(response.body.usage);

在輸入批次中計算內嵌很實用。參數 inputs 可以是字串清單，其中每個字串都是不同的輸入。接著，回應是內嵌的清單，其中每個內嵌都會對應至相同位置的輸入。

var response = await client.path("/embeddings").post({
    body: {
        input: [
            "The ultimate answer to the question of life", 
            "The largest planet in our solar system is Jupiter",
        ],
    }
});

回應如下，其中您可以查看模型的使用量統計資料：

if (isUnexpected(response)) {
    throw response.body.error;
}

console.log(response.embedding);
console.log(response.body.model);
console.log(response.body.usage);

提示

建立要求批次時，請考慮到每個模型的批次限制。大部分的模型都有1024批次限制。

指定內嵌維度

您可以指定內嵌的維度數目。下列範例程式代碼示範如何使用 1024 維度建立內嵌。請注意，並非所有內嵌模型都支援指出要求中的維度數目，而且在這些情況下會傳回 422 錯誤。

var response = await client.path("/embeddings").post({
    body: {
        input: ["The ultimate answer to the question of life"],
        dimensions: 1024,
    }
});

建立不同類型的內嵌

根據您打算如何使用這些模型，某些模型可以針對相同的輸入產生多個內嵌。此功能可讓您針對 RAG 模式擷取更精確的內嵌。

下列範例示範如何建立內嵌，其用來建立將儲存在向量資料庫中之文件的內嵌：

var response = await client.path("/embeddings").post({
    body: {
        input: ["The answer to the ultimate question of life, the universe, and everything is 42"],
        input_type: "document",
    }
});

當您處理查詢以擷取這類文件時，您可以使用下列程式碼片段來建立查詢的內嵌，並將擷取效能最大化。

var response = await client.path("/embeddings").post({
    body: {
        input: ["What's the ultimate meaning of life?"],
        input_type: "query",
    }
});

請注意，並非所有內嵌模型都支援指出要求中的輸入類型，而且在這些情況下會傳回 422 錯誤。根據預設，會傳回型 Text 別的內嵌。

重要

本文中標示為 (預覽) 的項目目前處於公開預覽狀態。此預覽版本沒有服務等級協定，不建議將其用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

本文說明如何在 Azure AI 服務中使用內嵌 API 搭配部署至 Azure AI 模型推斷的模型。

必要條件

若要在應用程式中使用內嵌模型，您需要：

Azure 訂用帳戶。如果您使用 GitHub Models，您可以升級您的體驗，並在程式中建立 Azure 訂用帳戶。如果您的情況，請閱讀從 GitHub 模型升級至 Azure AI 模型推斷。
Azure AI 服務資源。如需詳細資訊，請參閱建立 Azure AI 服務資源。
端點 URL 和金鑰。

內嵌模型部署。如果您沒有一個讀取將模型新增並設定至 Azure AI 服務，以將內嵌模型新增至您的資源。

將 Azure AI 推斷套件新增至您的專案：

<dependency>
    <groupId>com.azure</groupId>
    <artifactId>azure-ai-inference</artifactId>
    <version>1.0.0-beta.1</version>
</dependency>

提示

深入了解 [Azure AI 推斷套件和參考]。

如果您使用 Entra ID，則也需要下列套件：

<dependency>
    <groupId>com.azure</groupId>
    <artifactId>azure-identity</artifactId>
    <version>1.13.3</version>
</dependency>

匯入下列命名空間：

package com.azure.ai.inference.usage;

import com.azure.ai.inference.EmbeddingsClient;
import com.azure.ai.inference.EmbeddingsClientBuilder;
import com.azure.ai.inference.models.EmbeddingsResult;
import com.azure.ai.inference.models.EmbeddingItem;
import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.util.Configuration;

import java.util.ArrayList;
import java.util.List;

使用內嵌

首先，建立用戶端以取用模型。下列程式碼會使用儲存在環境變數中的端點 URL 和金鑰。

EmbeddingsClient client = new EmbeddingsClient(
    URI.create(System.getProperty("AZURE_INFERENCE_ENDPOINT")),
    new AzureKeyCredential(System.getProperty("AZURE_INFERENCE_CREDENTIAL")),
    "text-embedding-3-small"
);

如果您已將資源設定為 Microsoft Entra ID 支援，您可以使用下列代碼段來建立用戶端。

client = new EmbeddingsClient(
    URI.create(System.getProperty("AZURE_INFERENCE_ENDPOINT")),
    new DefaultAzureCredential(),
    "text-embedding-3-small"
);

建立內嵌

建立內嵌要求以查看模型的輸出。

EmbeddingsOptions requestOptions = new EmbeddingsOptions()
    .setInput(Arrays.asList("The ultimate answer to the question of life"));

Response<EmbeddingsResult> response = client.embed(requestOptions);

提示

建立要求時，請考慮到模型的令牌輸入限制。如果您需要內嵌較大的文字部分，則需要區塊化策略。

回應如下，其中您可以查看模型的使用量統計資料：

System.out.println("Embedding: " + response.getValue().getData());
System.out.println("Model: " + response.getValue().getModel());
System.out.println("Usage:");
System.out.println("\tPrompt tokens: " + response.getValue().getUsage().getPromptTokens());
System.out.println("\tTotal tokens: " + response.getValue().getUsage().getTotalTokens());

在輸入批次中計算內嵌很實用。參數 inputs 可以是字串清單，其中每個字串都是不同的輸入。接著，回應是內嵌的清單，其中每個內嵌都會對應至相同位置的輸入。

requestOptions = new EmbeddingsOptions()
    .setInput(Arrays.asList(
        "The ultimate answer to the question of life", 
        "The largest planet in our solar system is Jupiter"
    ));

response = client.embed(requestOptions);

回應如下，其中您可以查看模型的使用量統計資料：

提示

建立要求批次時，請考慮到每個模型的批次限制。大部分的模型都有1024批次限制。

指定內嵌維度

您可以指定內嵌的維度數目。下列範例程式代碼示範如何使用 1024 維度建立內嵌。請注意，並非所有內嵌模型都支援指出要求中的維度數目，而且在這些情況下會傳回 422 錯誤。

建立不同類型的內嵌

根據您打算如何使用這些模型，某些模型可以針對相同的輸入產生多個內嵌。此功能可讓您針對 RAG 模式擷取更精確的內嵌。

下列範例示範如何建立內嵌，其用來建立將儲存在向量資料庫中之文件的內嵌：

List<String> input = Arrays.asList("The answer to the ultimate question of life, the universe, and everything is 42");
requestOptions = new EmbeddingsOptions(input, EmbeddingInputType.DOCUMENT);

response = client.embed(requestOptions);

當您處理查詢以擷取這類文件時，您可以使用下列程式碼片段來建立查詢的內嵌，並將擷取效能最大化。

input = Arrays.asList("What's the ultimate meaning of life?");
requestOptions = new EmbeddingsOptions(input, EmbeddingInputType.QUERY);

response = client.embed(requestOptions);

請注意，並非所有內嵌模型都支援指出要求中的輸入類型，而且在這些情況下會傳回 422 錯誤。根據預設，會傳回型 Text 別的內嵌。

重要

本文中標示為 (預覽) 的項目目前處於公開預覽狀態。此預覽版本沒有服務等級協定，不建議將其用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

本文說明如何在 Azure AI 服務中使用內嵌 API 搭配部署至 Azure AI 模型推斷的模型。

必要條件

若要在應用程式中使用內嵌模型，您需要：

Azure 訂用帳戶。如果您使用 GitHub Models，您可以升級您的體驗，並在程式中建立 Azure 訂用帳戶。如果您的情況，請閱讀從 GitHub 模型升級至 Azure AI 模型推斷。
Azure AI 服務資源。如需詳細資訊，請參閱建立 Azure AI 服務資源。
端點 URL 和金鑰。

內嵌模型部署。如果您沒有一個讀取將模型新增並設定至 Azure AI 服務，以將內嵌模型新增至您的資源。
使用下列命令安裝 Azure AI 推斷套件：
```
dotnet add package Azure.AI.Inference --prerelease
```
提示

深入了解 [Azure AI 推斷套件和參考]。
如果您使用 Entra ID，則也需要下列套件：
```
dotnet add package Azure.Identity
```

使用內嵌

首先，建立用戶端以取用模型。下列程式碼會使用儲存在環境變數中的端點 URL 和金鑰。

EmbeddingsClient client = new EmbeddingsClient(
    new Uri(Environment.GetEnvironmentVariable("AZURE_INFERENCE_ENDPOINT")),
    new AzureKeyCredential(Environment.GetEnvironmentVariable("AZURE_INFERENCE_CREDENTIAL")),
    "text-embedding-3-small"
);

如果您已將資源設定為 Microsoft Entra ID 支援，您可以使用下列代碼段來建立用戶端。

client = new EmbeddingsClient(
    new Uri(Environment.GetEnvironmentVariable("AZURE_INFERENCE_ENDPOINT")),
    new DefaultAzureCredential(includeInteractiveCredentials: true),
    "text-embedding-3-small"
);

建立內嵌

建立內嵌要求以查看模型的輸出。

EmbeddingsOptions requestOptions = new EmbeddingsOptions()
{
    Input = {
        "The ultimate answer to the question of life"
    },
};

Response<EmbeddingsResult> response = client.Embed(requestOptions);

提示

建立要求時，請考慮到模型的令牌輸入限制。如果您需要內嵌較大的文字部分，則需要區塊化策略。

回應如下，其中您可以查看模型的使用量統計資料：

Console.WriteLine($"Embedding: {response.Value.Data}");
Console.WriteLine($"Model: {response.Value.Model}");
Console.WriteLine("Usage:");
Console.WriteLine($"\tPrompt tokens: {response.Value.Usage.PromptTokens}");
Console.WriteLine($"\tTotal tokens: {response.Value.Usage.TotalTokens}");

在輸入批次中計算內嵌很實用。參數 inputs 可以是字串清單，其中每個字串都是不同的輸入。接著，回應是內嵌的清單，其中每個內嵌都會對應至相同位置的輸入。

EmbeddingsOptions requestOptions = new EmbeddingsOptions()
{
    Input = {
        "The ultimate answer to the question of life", 
        "The largest planet in our solar system is Jupiter"
    },
};

Response<EmbeddingsResult> response = client.Embed(requestOptions);

回應如下，其中您可以查看模型的使用量統計資料：

提示

建立要求批次時，請考慮到每個模型的批次限制。大部分的模型都有1024批次限制。

指定內嵌維度

您可以指定內嵌的維度數目。下列範例程式代碼示範如何使用 1024 維度建立內嵌。請注意，並非所有內嵌模型都支援指出要求中的維度數目，而且在這些情況下會傳回 422 錯誤。

建立不同類型的內嵌

根據您打算如何使用這些模型，某些模型可以針對相同的輸入產生多個內嵌。此功能可讓您針對 RAG 模式擷取更精確的內嵌。

下列範例示範如何建立內嵌，其用來建立將儲存在向量資料庫中之文件的內嵌：

var input = new List<string> { 
    "The answer to the ultimate question of life, the universe, and everything is 42"
};
var requestOptions = new EmbeddingsOptions(input, EmbeddingInputType.DOCUMENT);

Response<EmbeddingsResult> response = client.Embed(requestOptions);

當您處理查詢以擷取這類文件時，您可以使用下列程式碼片段來建立查詢的內嵌，並將擷取效能最大化。

var input = new List<string> { 
    "What's the ultimate meaning of life?"
};
var requestOptions = new EmbeddingsOptions(input, EmbeddingInputType.QUERY);

Response<EmbeddingsResult> response = client.Embed(requestOptions);

請注意，並非所有內嵌模型都支援指出要求中的輸入類型，而且在這些情況下會傳回 422 錯誤。根據預設，會傳回型 Text 別的內嵌。

重要

本文中標示為 (預覽) 的項目目前處於公開預覽狀態。此預覽版本沒有服務等級協定，不建議將其用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

本文說明如何在 Azure AI 服務中使用內嵌 API 搭配部署至 Azure AI 模型推斷的模型。

必要條件

若要在應用程式中使用內嵌模型，您需要：

Azure 訂用帳戶。如果您使用 GitHub Models，您可以升級您的體驗，並在程式中建立 Azure 訂用帳戶。如果您的情況，請閱讀從 GitHub 模型升級至 Azure AI 模型推斷。
Azure AI 服務資源。如需詳細資訊，請參閱建立 Azure AI 服務資源。
端點 URL 和金鑰。

內嵌模型部署。如果您沒有一個讀取將模型新增並設定至 Azure AI 服務，以將內嵌模型新增至您的資源。

使用內嵌

若要使用文字內嵌，請使用附加至基底 URL 的路由 /embeddings ，以及中 api-key指示的認證。 Authorization 格式也支持 Bearer <key>標頭。

POST https://<resource>.services.ai.azure.com/models/embeddings?api-version=2024-05-01-preview
Content-Type: application/json
api-key: <key>

如果您已使用 Microsoft Entra ID 支援來設定資源，請在標頭中 Authorization 傳遞令牌：

POST https://<resource>.services.ai.azure.com/models/embeddings?api-version=2024-05-01-preview
Content-Type: application/json
Authorization: Bearer <token>

建立內嵌

建立內嵌要求以查看模型的輸出。

{
    "input": [
        "The ultimate answer to the question of life"
    ]
}

提示

建立要求時，請考慮到模型的令牌輸入限制。如果您需要內嵌較大的文字部分，則需要區塊化策略。

回應如下，其中您可以查看模型的使用量統計資料：

{
    "id": "0ab1234c-d5e6-7fgh-i890-j1234k123456",
    "object": "list",
    "data": [
        {
            "index": 0,
            "object": "embedding",
            "embedding": [
                0.017196655,
                // ...
                -0.000687122,
                -0.025054932,
                -0.015777588
            ]
        }
    ],
    "model": "text-embedding-3-small",
    "usage": {
        "prompt_tokens": 9,
        "completion_tokens": 0,
        "total_tokens": 9
    }
}

在輸入批次中計算內嵌很實用。參數 inputs 可以是字串清單，其中每個字串都是不同的輸入。接著，回應是內嵌的清單，其中每個內嵌都會對應至相同位置的輸入。

{
    "input": [
        "The ultimate answer to the question of life", 
        "The largest planet in our solar system is Jupiter"
    ]
}

回應如下，其中您可以查看模型的使用量統計資料：

{
    "id": "0ab1234c-d5e6-7fgh-i890-j1234k123456",
    "object": "list",
    "data": [
        {
            "index": 0,
            "object": "embedding",
            "embedding": [
                0.017196655,
                // ...
                -0.000687122,
                -0.025054932,
                -0.015777588
            ]
        },
        {
            "index": 1,
            "object": "embedding",
            "embedding": [
                0.017196655,
                // ...
                -0.000687122,
                -0.025054932,
                -0.015777588
            ]
        }
    ],
    "model": "text-embedding-3-small",
    "usage": {
        "prompt_tokens": 19,
        "completion_tokens": 0,
        "total_tokens": 19
    }
}

提示

建立要求批次時，請考慮到每個模型的批次限制。大部分的模型都有1024批次限制。

指定內嵌維度

您可以指定內嵌的維度數目。下列範例程式代碼示範如何使用 1024 維度建立內嵌。請注意，並非所有內嵌模型都支援指出要求中的維度數目，而且在這些情況下會傳回 422 錯誤。

{
    "input": [
        "The ultimate answer to the question of life"
    ],
    "dimensions": 1024
}

建立不同類型的內嵌

根據您打算如何使用這些模型，某些模型可以針對相同的輸入產生多個內嵌。此功能可讓您針對 RAG 模式擷取更精確的內嵌。

下列範例示範如何建立內嵌，其用來建立將儲存在向量資料庫中之文件的內嵌：

{
    "input": [
        "The answer to the ultimate question of life, the universe, and everything is 42"
    ],
    "input_type": "document"
}

當您處理查詢以擷取這類文件時，您可以使用下列程式碼片段來建立查詢的內嵌，並將擷取效能最大化。

{
    "input": [
        "What's the ultimate meaning of life?"
    ],
    "input_type": "query"
}

請注意，並非所有內嵌模型都支援指出要求中的輸入類型，而且在這些情況下會傳回 422 錯誤。根據預設，會傳回型 Text 別的內嵌。

共用方式為

如何使用 Azure AI 模型推斷產生內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

意見反應

其他資源

共用方式為

如何使用 Azure AI 模型推斷產生內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

必要條件

使用內嵌

建立內嵌

指定內嵌維度

建立不同類型的內嵌

相關內容

意見反應

其他資源