Skip to main content

文本嵌入模型

info

请前往Integrations查看与文本嵌入模型提供商的内置集成文档。

Embeddings类是一个专为与文本嵌入模型进行交互而设计的类。有许多嵌入模型提供商（如OpenAI、Cohere、Hugging Face等）- 这个类旨在为它们提供一个标准接口。

Embeddings类会为文本创建一个向量表示。这很有用，因为这意味着我们可以在向量空间中思考文本，并做一些类似语义搜索的事情，比如在向量空间中寻找最相似的文本片段。

LangChain中的基本Embeddings类提供了两种方法：一个用于嵌入文档，另一个用于嵌入查询。前者.embed_documents接受多个文本作为输入，而后者.embed_query接受单个文本。之所以将它们作为两个单独的方法，是因为一些嵌入提供商对文档（要搜索的文档）和查询（搜索查询本身）有不同的嵌入方法。

.embed_query将返回一个浮点数列表，而.embed_documents将返回一个浮点数列表的列表。

入门指南​

设置​

首先，我们需要安装OpenAI合作伙伴包：

pip install langchain-openai

访问API需要一个API密钥，您可以通过创建帐户并转到这里来获取它。一旦我们有了密钥，我们希望通过运行以下命令将其设置为环境变量：

export OPENAI_API_KEY="..."

如果您不想设置环境变量，可以在初始化OpenAI LLM类时通过api_key命名参数直接传递密钥：

from langchain_openai import OpenAIEmbeddings
embeddings_model = OpenAIEmbeddings(api_key="...")

否则，您可以不带任何参数初始化：

from langchain_openai import OpenAIEmbeddings
embeddings_model = OpenAIEmbeddings()

embed_documents​

嵌入文本列表​

使用.embed_documents来嵌入一个字符串列表，恢复一个嵌入列表：

embeddings = embeddings_model.embed_documents(
    [
        "嗨！",
        "哦，你好！",
        "你叫什么名字？",
        "我的朋友们叫我World",
        "Hello World！"
    ]
)
len(embeddings), len(embeddings[0])
(5, 1536)

embed_query​

嵌入单个查询​

使用.embed_query来嵌入单个文本片段（例如，用于与其他嵌入的文本片段进行比较）。

embedded_query = embeddings_model.embed_query("对话中提到的名字是什么？")
embedded_query[:5]
[0.0053587136790156364,
 -0.0004999046213924885,
 0.038883671164512634,
 -0.003001077566295862,
 -0.00900818221271038]

Was this page helpful?


You can leave detailed feedback on GitHub.