OllamaEmbeddings

这将帮助您使用 LangChain 开始使用 Ollama 嵌入模型。有关 OllamaEmbeddings 功能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
Ollama	langchain-ollama

设置

首先，按照这些说明来设置并运行一个本地的Ollama实例：

• 下载并安装Ollama到可用的受支持平台（包括Windows子系统for Linux）
• Fetch available LLM model via ollama pull <name-of-model>
  • View a list of available models via the 模型库
  • e.g., ollama pull llama3
• 这将下载默认标记版本的模型。通常，默认值指向最新的、参数量较小的模型。

在Mac上，模型将会下载到~/.ollama/models

在Linux（或WSL）上，模型将被存储在/usr/share/ollama/.ollama/models

• 指定感兴趣的模型的精确版本，例如 ollama pull vicuna:13b-v1.5-16k-q4_0（查看此示例中 Vicuna 模型的各种标签)
• 要查看所有已拉取的模型，请使用 ollama list
• 要从命令行直接与模型进行聊天，请使用ollama run <name-of-model>
• 查看Ollama 文档获取更多命令。在终端中运行ollama help以查看可用命令。

Credentials

Ollama 没有内置的身份验证机制。

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

The LangChain Ollama 集成位于 langchain-ollama 包中:

%pip install -qU langchain-ollama

Note: you may need to restart the kernel to use updated packages.

Instantiation

现在我们可以实例化我们的模型对象并生成嵌入向量：

from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
    model="llama3",
)

API 参考:OllamaEmbeddings

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

[-0.001288981, 0.006547121, 0.018376578, 0.025603496, 0.009599175, -0.0042578303, -0.023250086, -0.0

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

[-0.0013138362, 0.006438795, 0.018304596, 0.025530428, 0.009717592, -0.004225636, -0.023363983, -0.0
[-0.010317663, 0.01632489, 0.0070348927, 0.017076202, 0.008924255, 0.007399284, -0.023064945, -0.003

API 参考

有关 OllamaEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

相关

• 嵌入模型 概念指南
• 嵌入模型 使用指南