Google Vertex AI 嵌入

这将帮助您开始使用 LangChain 的 Google Vertex AI 嵌入模型。有关 Google Vertex AI Embeddings 功能和配置选项的详细文档，请参阅 API 参考。

概览

集成细节

提供者	包
Google	langchain-google-vertexai

设置

要访问 Google Vertex AI 嵌入模型，您需要

创建一个 Google Cloud 账户
安装 langchain-google-vertexai 集成包。

Credentials

前往 Google Cloud 注册并创建账户。完成此操作后，请设置 GOOGLE_APPLICATION_CREDENTIALS 环境变量：

可选：验证您的笔记本环境（仅限 Colab）

如果您在 Google Colab 上运行此笔记本，请运行下方的单元格以验证您的环境。

import sys

if "google.colab" in sys.modules:
    from google.colab import auth

    auth.authenticate_user()

设置 Google Cloud 项目信息并初始化 Vertex AI SDK

要开始使用 Vertex AI，您必须拥有一个现有的 Google Cloud 项目，并且启用 Vertex AI API。

了解有关设置项目和开发环境的更多信息。

PROJECT_ID = "[your-project-id]"  # @param {type:"string"}
LOCATION = "us-central1"  # @param {type:"string"}

import vertexai

vertexai.init(project=PROJECT_ID, location=LOCATION)

要启用对您的模型调用的自动跟踪，请设置您的LangSmith API密钥：

# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain Google Vertex AI 嵌入集成位于 langchain-google-vertexai 包中：

%pip install -qU langchain-google-vertexai

Instantiation

现在我们可以实例化我们的模型对象并生成嵌入向量：

查看支持的模型列表

from langchain_google_vertexai import VertexAIEmbeddings

# Initialize the a specific Embeddings Model version
embeddings = VertexAIEmbeddings(model_name="text-embedding-004")

API 参考:VertexAI 嵌入

索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，既用于数据索引，也用于后续的数据检索。有关更详细的说明，请参阅我们的 RAG 教程。

以下，查看如何使用我们上面初始化的 embeddings 对象来索引和检索数据。在此示例中，我们将在 InMemoryVectorStore 中索引并检索一个示例文档。

# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# show the retrieved document's content
retrieved_documents[0].page_content

API 参考:内存向量存储

'LangChain is the framework for building context-aware reasoning applications'

直接使用

在底层，向量存储和检索器实现会调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 分别为用于 from_texts 和检索 invoke 操作的文本生成嵌入。

您可以直接调用这些方法，以获取适用于您自身用例的嵌入（embeddings）。

嵌入单个文本

您可以使用 embed_query 来嵌入单个文本或文档：

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[-0.02831101417541504, 0.022063178941607475, -0.07454229146242142, 0.006448323838412762, 0.001955120

嵌入多个文本

您可以通过 embed_documents 嵌入多个文本：

text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector

[-0.01092718355357647, 0.01213780976831913, -0.05650627985596657, 0.006737854331731796, 0.0085973171
[0.010135706514120102, 0.01234869472682476, -0.07284046709537506, 0.00027134662377648056, 0.01546290

API 参考

有关 Google Vertex AI Embeddings 功能和配置选项的详细文档，请参阅 API 参考。

嵌入模型概念指南
嵌入模型使用指南

概览​

集成细节​

设置​

Credentials​

安装​

Instantiation​

索引与检索​

直接使用​

嵌入单个文本​

嵌入多个文本​

API 参考​

相关​

概览