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

​
概述

​
集成详情

​
准备工作

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

​
认证信息

前往 platform.openai.com 注册 OpenAI 并生成 API 密钥。完成此操作后，设置 OPENAI_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("OPENAI_API_KEY"):
    os.environ["OPENAI_API_KEY"] = getpass.getpass("输入您的 OpenAI API 密钥：")
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("输入您的 LangSmith API 密钥：")

​
安装

LangChain OpenAI 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模型对象并生成聊天补全结果： 
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-large",
    # 对于 `text-embedding-3` 系列的
    # 模型，您可以指定希望返回的
    # 嵌入向量的维度大小。
    # dimensions=1024
)
Azure OpenAI v1 API 支持自 langchain-openai>=1.0.1 起，OpenAIEmbeddings 可直接配合新的 v1 API 用于 Azure OpenAI 端点，包括对 Microsoft Entra ID 身份验证的支持。详情请参阅下方的 与 Azure OpenAI 配合使用 章节。

​
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
retrieved_documents[0].page_content

'LangChain is the framework for building context-aware reasoning applications'

​
直接使用

在底层实现中，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

[-0.019276829436421394, 0.0037708976306021214, -0.03294256329536438, 0.0037671267054975033, 0.008175

​
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

[-0.019260549917817116, 0.0037612367887049913, -0.03291035071015358, 0.003757466096431017, 0.0082049
[-0.010181212797760963, 0.023419594392180443, -0.04215526953339577, -0.001532090245746076, -0.023573

​
与 Azure OpenAI 配合使用

Azure OpenAI v1 API 支持自 langchain-openai>=1.0.1 起，OpenAIEmbeddings 可直接配合新的 v1 API 用于 Azure OpenAI 端点。这提供了一种统一的方式来使用 OpenAI 嵌入模型，无论其托管在 OpenAI 还是 Azure 上。对于传统的 Azure 专用实现，请继续使用 AzureOpenAIEmbeddings。

​
使用 API 密钥调用 Azure OpenAI v1 API

要在 Azure OpenAI 中使用 OpenAIEmbeddings，请将 base_url 设置为您的 Azure 端点，并在末尾追加 /openai/v1/： 
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-large",  # 您的 Azure 部署名称
    base_url="https://{your-resource-name}.openai.azure.com/openai/v1/",
    api_key="your-azure-api-key"
)

# 正常使用
vector = embeddings.embed_query("Hello world")

​
使用 Microsoft Entra ID 调用 Azure OpenAI

v1 API 增加了对 Microsoft Entra ID 身份验证的原生支持，并具备自动令牌刷新功能。将令牌提供程序可调用对象传递给 api_key 参数： 
from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from langchain_openai import OpenAIEmbeddings

# 创建处理自动刷新的令牌提供程序
token_provider = get_bearer_token_provider(
    DefaultAzureCredential(),
    "https://cognitiveservices.azure.com/.default"
)

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-large",  # 您的 Azure 部署名称
    base_url="https://{your-resource-name}.openai.azure.com/openai/v1/",
    api_key=token_provider  # 处理令牌刷新的可调用对象
)

# 正常使用
vectors = embeddings.embed_documents(["Hello", "World"])
安装要求要使用 Microsoft Entra ID 身份验证，请安装 Azure Identity 库：
pip install azure-identity
在使用异步函数时，您也可以将令牌提供程序可调用对象传递给 api_key 参数。您必须从 azure.identity.aio 导入 DefaultAzureCredential： 
from azure.identity.aio import DefaultAzureCredential
from langchain_openai import OpenAIEmbeddings

credential = DefaultAzureCredential()

embeddings_async = OpenAIEmbeddings(
    model="text-embedding-3-large",
    api_key=credential
)

# 使用异步可调用对象时需使用异步方法
vectors = await embeddings_async.aembed_documents(["Hello", "World"])
当为 API 密钥使用异步可调用对象时，必须使用异步方法（aembed_query、aembed_documents）。同步方法将引发错误。

​
API 参考

有关 OpenAIEmbeddings 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。
连接这些文档 至 Claude、VSCode 等，通过 MCP 获取实时答案。