文本嵌入模型

信息

前往集成获取有关与文本嵌入模型提供程序的内置集成的文档。

Embeddings 类是专为与文本嵌入模型交互而设计的类。有很多嵌入模型提供程序（OpenAI、Cohere、Hugging Face 等）——这个类旨在为它们提供一个标准接口。

嵌入创建一段文本的矢量表示。这很有用，因为这意味着我们可以考虑向量空间中的文本，并执行语义搜索之类的作，在其中查找向量空间中最相似的文本片段。

LangChain 中的基类 Embeddings 提供了两种方法：一种用于嵌入文档，另一种用于嵌入查询。前者.embed_documents，将多个文本作为输入，而后者.embed_query，接受单个文本。将它们作为两个独立方法的原因是，一些嵌入提供程序对文档（要搜索）和查询（搜索查询本身）具有不同的嵌入方法。.embed_query将返回浮点数列表，而.embed_documents返回浮点数列表的列表。

开始使用

设置

选择嵌入模型：

pip install -qU langchain-openai

import getpass
import os

if not os.environ.get("OPENAI_API_KEY"):
  os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")

from langchain_openai import OpenAIEmbeddings

embeddings_model = OpenAIEmbeddings(model="text-embedding-3-large")

`embed_documents`

嵌入文本列表

用.embed_documents要嵌入字符串列表，请恢复嵌入列表：

embeddings = embeddings_model.embed_documents(
    [
        "Hi there!",
        "Oh, hello!",
        "What's your name?",
        "My friends call me World",
        "Hello World!"
    ]
)
len(embeddings), len(embeddings[0])

(5, 1536)

`embed_query`

嵌入单个查询

用.embed_query嵌入单个文本（例如，为了与其他嵌入的文本进行比较）。

embedded_query = embeddings_model.embed_query("What was the name mentioned in the conversation?")
embedded_query[:5]

[0.0053587136790156364,
 -0.0004999046213924885,
 0.038883671164512634,
 -0.003001077566295862,
 -0.00900818221271038]

开始使用

设置

embed_documents​

嵌入文本列表

embed_query​

嵌入单个查询

`embed_documents`

`embed_query`