确定性假嵌入#
- class langchain_core.embeddings.fake.DeterministicFakeEmbedding[source]#
基础类:
Embeddings,BaseModel用于单元测试目的的确定性假嵌入模型。
此嵌入模型通过从正态分布中采样来创建嵌入，采样的种子基于文本的哈希值。
不要在测试之外使用此模型，因为它不是一个真正的嵌入模型。
- Instantiate:
from langchain_core.embeddings import DeterministicFakeEmbedding embed = DeterministicFakeEmbedding(size=100)
- Embed single text:
input_text = "The meaning of life is 42" vector = embed.embed_query(input_text) print(vector[:3])
[-0.700234640213188, -0.581266257710429, -1.1328482266445354]
- Embed multiple texts:
input_texts = ["Document 1...", "Document 2..."] vectors = embed.embed_documents(input_texts) print(len(vectors)) # The first 3 coordinates for the first vector print(vectors[0][:3])
2 [-0.5670477847544458, -0.31403828652395727, -0.5840547508955257]
通过解析和验证来自关键字参数的输入数据来创建一个新模型。
如果输入数据无法验证以形成有效模型，则引发 [ValidationError][pydantic_core.ValidationError]。
self 被显式地设为仅位置参数，以允许 self 作为字段名称。
- param size: int [Required]#
嵌入向量的大小。
- async aembed_documents(texts: list[str]) list[list[float]]#
异步嵌入搜索文档。
- Parameters:
文本 (列表[字符串]) – 要嵌入的文本列表。
- Returns:
嵌入列表。
- Return type:
列表[列表[浮点数]]
- async aembed_query(text: str) list[float]#
异步嵌入查询文本。
- Parameters:
文本 (str) – 要嵌入的文本。
- Returns:
嵌入。
- Return type:
列表[浮点数]
使用 DeterministicFakeEmbedding 的示例