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

import Tabs from '@theme/Tabs';

import TabItem from '@theme/TabItem';

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])

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]