Skip to main content
这将帮助您使用 LangChain 快速上手 Nomic 嵌入模型。有关 NomicEmbeddings 功能与配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

​
环境配置

要访问 Nomic 嵌入模型，您需要创建一个 Nomic 账户，获取 API 密钥，并安装 langchain-nomic 集成包。

​
凭据

前往 https://atlas.nomic.ai/ 注册 Nomic 并生成 API 密钥。完成此操作后，设置 NOMIC_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("NOMIC_API_KEY"):
    os.environ["NOMIC_API_KEY"] = getpass.getpass("Enter your Nomic API key: ")
要启用模型调用的自动追踪功能，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 的 Nomic 集成位于 langchain-nomic 包中： 
pip install -qU langchain-nomic

​
实例化

现在我们可以实例化模型对象并生成聊天补全： 
from langchain_nomic import NomicEmbeddings

embeddings = NomicEmbeddings(
    model="nomic-embed-text-v1.5",
    # dimensionality=256,
    # Nomic 的 `nomic-embed-text-v1.5` 模型采用 [Matryoshka 学习法进行训练](https://blog.nomic.ai/posts/nomic-embed-matryoshka)
    # 以便通过单个模型实现可变长度的嵌入。
    # 这意味着您可以在推理时指定嵌入的维度。
    # 该模型支持从 64 到 768 的维度。
    # inference_mode="remote",
    # 可选值包括 `remote`、`local`（Embed4All）或 `dynamic`（自动）。默认为 `remote`。
    # api_key=... , # 如果使用远程推理，
    # device="cpu",
    # 用于本地嵌入的设备。选项包括
    # `cpu`、`gpu`、`nvidia`、`amd` 或特定设备名称。有关更多信息，请参阅
    # `GPT4All.__init__` 的文档字符串。通常
    # 默认使用 CPU。请勿在 macOS 上使用。
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，既用于数据索引阶段，也用于后续的检索阶段。如需更详细的说明，请参阅我们的 RAG 教程。 下文将展示如何使用上述初始化的 embeddings 对象来索引和检索数据。在本示例中，我们将在 InMemoryVectorStore 中索引并检索一个示例文档。 
# 使用示例文本创建向量存储
from langchain_core.vectorstores import InMemoryVectorStore

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

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("What is LangChain?")

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

'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分别调用 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，以在自己的用例中获取嵌入。

​
嵌入单个文本

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

[0.024642944, 0.029083252, -0.14013672, -0.09082031, 0.058898926, -0.07489014, -0.0138168335, 0.0037

​
嵌入多个文本

您可以使用 embed_documents 对多个文本进行嵌入： 
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])  # 显示向量的前 100 个字符

[0.012771606, 0.023727417, -0.12365723, -0.083740234, 0.06530762, -0.07110596, -0.021896362, -0.0068
[-0.019058228, 0.04058838, -0.15222168, -0.06842041, -0.012130737, -0.07128906, -0.04534912, 0.00522

​
API 参考

有关 NomicEmbeddings 功能与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。
将这些文档 通过 MCP 连接到 Claude、VSCode 等工具，以获取实时答案。