Skip to main content
这将帮助您开始使用 LangChain 和 Ollama 嵌入模型。有关 OllamaEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

​
环境设置

首先，请按照这些说明设置并运行本地 Ollama 实例：
  • 下载并在受支持的平台（包括适用于 Linux 的 Windows 子系统即 WSL、macOS 和 Linux）上安装 Ollama
    • macOS 用户可通过 Homebrew 使用 brew install ollama 安装，并通过 brew services start ollama 启动
  • 通过 ollama pull <name-of-model> 获取可用的 LLM 模型
    • 通过 模型库 查看可用模型列表
    • 例如，ollama pull llama3
  • 这将下载模型的默认标签版本。通常，默认指向最新且参数量最小的模型。
在 Mac 上，模型将下载到 ~/.ollama/models 在 Linux（或 WSL）上，模型将存储在 /usr/share/ollama/.ollama/models
  • 指定感兴趣的确切模型版本，例如 ollama pull vicuna:13b-v1.5-16k-q4_0（在此实例中查看 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聊天，请使用 ollama run <name-of-model>
  • 查看 Ollama 文档 以获取更多命令。您可以在终端中运行 ollama help 来查看可用命令。
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 Ollama 集成位于 langchain-ollama 包中： 
pip install -qU langchain-ollama

​
实例化

现在我们可以实例化模型对象并生成嵌入向量： 
from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
    model="llama3",
)
如果您的模型支持可配置的输出维度（例如 qwen3-embedding），您可以通过 dimensions 参数进行指定： 
from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
    model="qwen3-embedding:8b",
    dimensions=1024,
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，既作为数据索引的一部分，也用于后续的检索操作。如需更详细的说明，请参阅我们的 RAG 教程。 下面介绍如何使用上面初始化的 embeddings 对象对数据进行索引和检索。在本示例中，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 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
print(retrieved_documents[0].page_content)

LangChain is the framework for building context-aware reasoning applications

​
直接调用

在底层，向量存储和检索器实现分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 为 from_texts 和检索 invoke 操作中使用的文本创建嵌入向量。 您可以直接调用这些方法，以便在自己的用例中获取嵌入向量。

​
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

[-0.0039849705, 0.023019705, -0.001768838, -0.0058736936, 0.00040999008, 0.017861595, -0.011274585,

​
嵌入多个文本

您可以使用 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])  # 显示向量的前 100 个字符

[-0.0039849705, 0.023019705, -0.001768838, -0.0058736936, 0.00040999008, 0.017861595, -0.011274585,
[-0.0066985516, 0.009878328, 0.008019467, -0.009384944, -0.029560851, 0.025744654, 0.004872892, -0.0

​
API 参考

有关 OllamaEmbeddings 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。
将这些文档 通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。