> ## Documentation Index
> Fetch the complete documentation index at: https://cndoc-langchain.site/llms.txt
> Use this file to discover all available pages before exploring further.
# 嵌入模型集成
> 使用 LangChain Python 集成嵌入模型。
## 概述
本概述涵盖**基于文本的嵌入模型**。LangChain 目前不支持多模态嵌入。
请参阅[顶级嵌入模型](#top-integrations)。
嵌入模型将原始文本（如句子、段落或推文）转换为固定长度的数字向量，该向量捕获其**语义含义**。这些向量允许机器基于含义而非精确词语来比较和搜索文本。
在实践中，这意味着具有相似想法的文本在向量空间中会被放置在相近的位置。例如，嵌入模型不仅能匹配短语\*"机器学习"\*，还能在使用不同措辞时，找出讨论相关概念的文档。
### 工作原理
1. **向量化** — 模型将每个输入字符串编码为一个高维向量。
2. **相似度评分** — 使用数学度量比较向量，以衡量底层文本的关联程度。
### 相似度度量
有几种常用的度量方法用于比较嵌入：
* **余弦相似度** — 衡量两个向量之间的夹角。
* **欧几里得距离** — 衡量点之间的直线距离。
* **点积** — 衡量一个向量在另一个向量上的投影程度。
以下是计算两个向量之间余弦相似度的示例：
```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import numpy as np
def cosine_similarity(vec1, vec2):
dot = np.dot(vec1, vec2)
return dot / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
similarity = cosine_similarity(query_embedding, document_embedding)
print("Cosine Similarity:", similarity)
```
## 接口
LangChain 通过 [Embeddings](https://reference.langchain.com/python/langchain-core/embeddings/embeddings/Embeddings) 接口为文本嵌入模型（例如 OpenAI、Cohere、Hugging Face）提供了标准接口。
提供两个主要方法：
* `embed_documents(texts: List[str]) → List[List[float]]`：嵌入文档列表。
* `embed_query(text: str) → List[float]`：嵌入单个查询。
该接口允许使用不同的策略嵌入查询和文档，尽管在实践中大多数提供者处理它们的方式相同。
## 顶级集成
| 模型 | 包 |
| ------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| [`OpenAIEmbeddings`](/oss/python/integrations/embeddings/openai) | [`langchain-openai`](https://reference.langchain.com/python/langchain-openai) |
| [`AzureOpenAIEmbeddings`](/oss/python/integrations/embeddings/azure_openai) | [`langchain-openai`](https://reference.langchain.com/python/langchain-openai/embeddings/azure/AzureOpenAIEmbeddings) |
| [`GoogleGenerativeAIEmbeddings`](/oss/python/integrations/embeddings/google_generative_ai) | [`langchain-google-genai`](https://reference.langchain.com/python/langchain-google-genai/embeddings/GoogleGenerativeAIEmbeddings) |
| [`OllamaEmbeddings`](/oss/python/integrations/embeddings/ollama) | [`langchain-ollama`](https://reference.langchain.com/python/langchain-ollama/embeddings/OllamaEmbeddings) |
| [`TogetherEmbeddings`](/oss/python/integrations/embeddings/together) | [`langchain-together`](https://reference.langchain.com/python/langchain-together/embeddings/TogetherEmbeddings) |
| [`FireworksEmbeddings`](/oss/python/integrations/embeddings/fireworks) | [`langchain-fireworks`](https://reference.langchain.com/python/langchain-fireworks/embeddings/FireworksEmbeddings) |
| [`MistralAIEmbeddings`](/oss/python/integrations/embeddings/mistralai) | [`langchain-mistralai`](https://reference.langchain.com/python/langchain-mistralai/embeddings/MistralAIEmbeddings) |
| [`VoyageAIEmbeddings`](/oss/python/integrations/embeddings/voyageai) | `langchain-voyageai` |
| [`CohereEmbeddings`](/oss/python/integrations/embeddings/cohere) | [`langchain-cohere`](https://reference.langchain.com/python/langchain-community/llms/cohere/Cohere) |
| [`NomicEmbeddings`](/oss/python/integrations/embeddings/nomic) | [`langchain-nomic`](https://reference.langchain.com/python/langchain-nomic/embeddings/NomicEmbeddings) |
| [`FakeEmbeddings`](/oss/python/integrations/embeddings/fake) | [`langchain-core`](https://reference.langchain.com/python/langchain-core/embeddings/fake/FakeEmbeddings) |
| [`DatabricksEmbeddings`](/oss/python/integrations/embeddings/databricks) | [`databricks-langchain`](https://api-docs.databricks.com/python/databricks-ai-bridge/latest/databricks_langchain.html#databricks_langchain.DatabricksEmbeddings) |
| [`WatsonxEmbeddings`](/oss/python/integrations/embeddings/ibm_watsonx) | [`langchain-ibm`](https://reference.langchain.com/python/langchain-ibm/embeddings/WatsonxEmbeddings) |
| [`NVIDIAEmbeddings`](/oss/python/integrations/embeddings/nvidia_ai_endpoints) | [`langchain-nvidia`](https://reference.langchain.com/python/langchain-nvidia-ai-endpoints/embeddings/NVIDIAEmbeddings) |
| [`AIMLAPIEmbeddings`](/oss/python/integrations/embeddings/aimlapi) | `langchain-aimlapi` |
| [`PerplexityEmbeddings`](/oss/python/integrations/embeddings/perplexity) | [`langchain-perplexity`](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings) |
## 缓存
嵌入可以被存储或临时缓存，以避免重新计算它们。
可以使用 `CacheBackedEmbeddings` 来缓存嵌入。这个包装器将嵌入存储在键值存储中，其中文本被哈希化，哈希值用作缓存中的键。
初始化 `CacheBackedEmbeddings` 的主要支持方式是 `from_bytes_store`。它接受以下参数：
* **`underlying_embedder`**：用于嵌入的嵌入器。
* **`document_embedding_cache`**：任何用于缓存文档嵌入的 [`ByteStore`](/oss/python/integrations/stores/)。
* **`batch_size`**：（可选，默认为 `None`）在存储更新之间嵌入的文档数量。
* **`namespace`**：（可选，默认为 `""`）用于文档缓存的命名空间。有助于避免冲突（例如，将其设置为嵌入模型名称）。
* **`query_embedding_cache`**：（可选，默认为 `None`）用于缓存查询嵌入的 [`ByteStore`](/oss/python/integrations/stores/)，或设置为 `True` 以复用与 `document_embedding_cache` 相同的存储。
- 始终设置 `namespace` 参数，以避免在使用不同嵌入模型时发生冲突。
- `CacheBackedEmbeddings` 默认不缓存查询嵌入。要启用此功能，请指定 `query_embedding_cache`。
```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import time
from langchain_classic.embeddings import CacheBackedEmbeddings # [!code highlight]
from langchain_classic.storage import LocalFileStore # [!code highlight]
from langchain_core.vectorstores import InMemoryVectorStore
# 创建你的底层嵌入模型
underlying_embeddings = ... # 例如，OpenAIEmbeddings(), HuggingFaceEmbeddings() 等。
# 存储将嵌入持久化到本地文件系统
# 这不适用于生产环境，但对本地使用很有用
store = LocalFileStore("./cache/") # [!code highlight]
cached_embedder = CacheBackedEmbeddings.from_bytes_store(
underlying_embeddings,
store,
namespace=underlying_embeddings.model
)
# 示例：缓存查询嵌入
tic = time.time()
print(cached_embedder.embed_query("Hello, world!"))
print(f"首次调用耗时: {time.time() - tic:.2f} 秒")
# 后续调用使用缓存
tic = time.time()
print(cached_embedder.embed_query("Hello, world!"))
print(f"第二次调用耗时: {time.time() - tic:.2f} 秒")
```
在生产环境中，您通常会使用更健壮的持久化存储，例如数据库或云存储。请参阅[存储集成](/oss/python/integrations/stores/)了解选项。
## 所有嵌入模型
***
[通过 MCP 将这些文档](/use-these-docs)连接到 Claude、VSCode 等，以获取实时答案。
[在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/python/integrations/embeddings/index.mdx) 或 [提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。