文本嵌入模型

info

转到集成以获取有关内置文本嵌入模型提供商的文档。

嵌入类是一个用于与文本嵌入模型进行交互的类。有很多嵌入模型提供商（OpenAI、Cohere、Hugging Face等）-该类旨在为所有这些提供一个标准接口。

嵌入可以创建文本的向量表示。这很有用，因为这意味着我们可以在向量空间中思考文本，并进行语义搜索，其中我们寻找在向量空间中最相似的文本片段。

LangChain中的基本嵌入类提供两种方法：一种用于嵌入文档，一种用于嵌入查询。前者以多个文本作为输入，而后者以单个文本作为输入。之所以将它们作为两种不同的方法，是因为某些嵌入提供商对于文档（要搜索的文档）和查询（搜索查询本身）有不同的嵌入方法。

入门指南

设置

首先，我们需要安装 OpenAI Python 包：

pip install openai

访问 API 需要一个 API 密钥，您可以通过创建一个帐户并访问 此处 来获取。一旦我们有了密钥，我们将通过运行以下命令将其设置为环境变量：

export OPENAI_API_KEY="..."

如果您不想设置环境变量，您可以在初始化 OpenAI LLM 类时直接通过 openai_api_key 命名参数传递密钥：

from langchain.embeddings import OpenAIEmbeddings

embeddings_model = OpenAIEmbeddings(openai_api_key="...")

否则，您可以不使用任何参数进行初始化：

from langchain.embeddings import OpenAIEmbeddings

embeddings_model = OpenAIEmbeddings()

embed_documents

Embed list of texts

embeddings = embedding_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 (Embed single query)

嵌入单个文本以便与其他嵌入的文本进行比较。

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

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