在项目的 data 目录里有个 posts.json 文件，里面有一组内容数据，我们可以根据每个数据项目的标题还有分类，使用 OpenAI 的 embeddings 生成对应的向量。把生成的 embeddings 放在一个属性里面，然后保存一个新的文件 json 文件。

在项目里新建一个文件，名字是 create-embedding.mjs 。文件里先导入一个 fs 模块，来自 fs/promises，另外还需要用到 openai 的客户端。

在 index.mjs 这个文件里，剪切一下创建的这个 openai ，还有上面这些导入的东西。新建一个文件，名字是 app.service.mjs，把剪切的内容粘贴到这里。在这个 openai 的前面，再添加一个 export，导出它。这样在其它的模块里就可以导入使用这个 openai 客户端。

回到 create-embedding.mjs，在文件顶部从 app.service.mjs 这个文件里，导入一个 openai 。

声明一个 inputFilePath，它的值是当前目录 data 下面的 posts.json ，这是要处理的文件所在位置。再声明一个 outputFilePath，它的值是当前目录data，然后是 posts_with_embedding.json。

下面声明一个 data，等于 await，用一下 fs 上面的 readFile，读取文件内容，文件位置是 inputFilePath，编码设置成 utf-8。再声明一个 posts，它的值是用 JSON.parse 处理之后的 data。

再声明一个 postsWithEmbedding ，等于一个空白的数组。

然后用一个 for of 循环，分别给每一个内容项目创建 embedding。 循环的数据是 posts，解构声明一下 title 还有 category，这是内容项目里的两个属性。

在循环里，声明一个 response 等于 await，用一下 openai.createEmbedding 这个方法，提供一个对象，要使用的 model 是 text-embedding-ada-002 ，再提供一个 input，它是一个字符模板，里面可以是标题冒号，然后是内容项目的标题内容，一个分号，再添加一个分类冒号，然后是内容项目的分类内容。这个 input 属性的值就是要转换的用向量表示的文本。

下面执行一下 postsWithEmbedding.push，提供一个对象，里面添加一个 title，一个 category，再添加一个 embedding，它的值是就是响应里的 data 里面的 data 属性里的第一个项目里的 embedding 这个属性的值。

最后再把 postsWithEmbedding 这个数据的值写入到一个 json 文件里，await，用一下 fs.writeFile，位置是 outputFilePath，用一下 JSON.stringify 处理一下 postsWithEmbedding，第二个参数是 null，表示没有要使用的 replacer ，第三个参数是 2，表示缩进使用的空格的数量。

在终端，执行一下 node create-embedding.mjs 。完成以后，在项目的 data 目录里面，会出现一个 posts_with_embedding.json ，打开这个文件观察一下，你会发现在内容项目里多了一个 embedding 属性，它的值就是使用 OpenAI 的 embeddings 接口，根据内容的标题还有分类文本内容生成的一个向量。