對話(POST /v1/chat/completions)
💭 模型思考過程
送出後這裡會即時顯示模型回覆。
語音轉逐字稿(POST /v1/audio/transcriptions)
長音檔會自動切段逐段辨識並轉為繁體中文——不受單次 30 秒限制。
轉錄結果會顯示在這裡。
文字轉語音(POST /v1/audio/speech)
產生的語音會出現在這裡,可直接播放。
文字向量(POST /v1/embeddings)
向量維度與前幾維數值會顯示在這裡(RAG/語意檢索用)。
檢索重排序(POST /v1/rerank)
相關度排序結果會顯示在這裡。
情境範例:從歷史公文找相近案例,撰擬新公文
(embeddings → rerank → chat 三步串接)
向量只留在這個瀏覽器的記憶體,G-RapX 只負責計算、不儲存公文。
正式環境由公文系統把向量存進自己的資料庫(SQL Server 2025 向量欄位、pgvector、Oracle 23ai 等),
建索引與查詢必須使用同一個 embedding 模型。密等公文請改在內網部署版執行。
① 建立公文庫索引
② 查詢相近公文
先建立索引,再輸入需求描述檢索。命中的公文可勾選是否納入參考。
③ 組成新公文
草稿會顯示在這裡,內文以 [1][2] 標註引用來源。
⚠ 本草稿由歷史公文參考生成,須承辦人核稿後方可用印發文。來源對照表由程式端依檢索結果產生,不依賴模型自述。
Sample Code (依上方欄位即時生成,複製即可使用)
回應方式
端點: ·
以 OpenAI SDK 介接時將 base_url 設為此網址、api_key 填你的 grx key 即可
(chat/embeddings/audio 皆為 OpenAI 相容格式;rerank 依 Jina/Cohere 慣例)。