Skip to main content
本文档将帮助您开始使用 LangChain 的 AzureOpenAI 嵌入模型。有关 AzureOpenAIEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

​
设置

要访问 AzureOpenAI 嵌入模型，您需要创建一个 Azure 账户、获取 API 密钥，并安装 langchain-openai 集成包。

​
凭证

您需要部署一个 Azure OpenAI 实例。您可以按照此指南在 Azure 门户上部署一个版本。 实例运行后，请确保您拥有实例名称和密钥。您可以在 Azure 门户中，在实例的“密钥和终结点”部分找到密钥。 
AZURE_OPENAI_ENDPOINT=<您的 API 终结点>
AZURE_OPENAI_API_KEY=<您的密钥>
AZURE_OPENAI_API_VERSION="2024-02-01"

import getpass
import os

if not os.getenv("AZURE_OPENAI_API_KEY"):
    os.environ["AZURE_OPENAI_API_KEY"] = getpass.getpass(
        "输入您的 AzureOpenAI API 密钥："
    )
要启用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("输入您的 LangSmith API 密钥：")

​
安装

LangChain AzureOpenAI 集成位于 langchain-openai 包中： 
pip install -qU langchain-openai

​
实例化

现在我们可以实例化我们的模型对象并生成聊天补全： 
from langchain_openai import AzureOpenAIEmbeddings

embeddings = AzureOpenAIEmbeddings(
    model="text-embedding-3-large",
    # dimensions: Optional[int] = None, # 可以使用新的 text-embedding-3 模型指定维度
    # azure_endpoint="https://<your-endpoint>.openai.azure.com/", 如果未提供，将读取环境变量 AZURE_OPENAI_ENDPOINT
    # api_key=... # 可以直接提供 API 密钥。如果缺失，将读取环境变量 AZURE_OPENAI_API_KEY
    # openai_api_version=..., # 如果未提供，将读取环境变量 AZURE_OPENAI_API_VERSION
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程，既作为索引数据的一部分，也用于后续检索。有关更详细的说明，请参阅我们的 RAG 教程。 下面，了解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 中索引和检索一个示例文档。 
# 使用示例文本创建向量存储
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain 是用于构建上下文感知推理应用程序的框架"

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

# 将向量存储用作检索器
retriever = vectorstore.as_retriever()

# 检索最相似的文本
retrieved_documents = retriever.invoke("什么是 LangChain？")

# 显示检索到的文档内容
retrieved_documents[0].page_content

'LangChain 是用于构建上下文感知推理应用程序的框架'

​
直接使用

在底层，向量存储和检索器实现调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。 您可以直接调用这些方法来为您的用例获取嵌入。

​
嵌入单个文本

您可以使用 embed_query 嵌入单个文本或文档： 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # 显示向量的前 100 个字符

[-0.0011676070280373096, 0.007125577889382839, -0.014674457721412182, -0.034061674028635025, 0.01128

​
嵌入多个文本

您可以使用 embed_documents 嵌入多个文本： 
text2 = (
    "LangGraph 是一个用于构建具有 LLM 的状态化、多参与者应用程序的库"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # 显示向量的前 100 个字符

[-0.0011966148158535361, 0.007160289213061333, -0.014659193344414234, -0.03403077274560928, 0.011280
[-0.005595256108790636, 0.016757294535636902, -0.011055258102715015, -0.031094247475266457, -0.00363

​
API 参考

有关 AzureOpenAIEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。
在 GitHub 上编辑此页面 或 提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等 以获取实时答案。