Skip to main content

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
嵌入模型将原始文本(如句子、段落或推文)转换为捕获其语义含义的固定长度数字向量。这些向量使机器能够基于含义而非精确单词来比较和搜索文本。 在实践中,这意味着具有相似含义的文本在向量空间中被放置得更近。例如,与仅匹配短语”机器学习”不同,嵌入可以找到讨论相关概念的文档,即使使用了不同的措辞。

工作原理

  1. 向量化 — 模型将每个输入字符串编码为高维向量。
  2. 相似度评分 — 使用数学指标比较向量,以衡量底层文本的相关程度。

相似度指标

常用的几种指标用于比较嵌入:
  • 余弦相似度 — 测量两个向量之间的角度。
  • 欧几里得距离 — 测量两点之间的直线距离。
  • 点积 — 测量一个向量在另一个向量上的投影量。
以下是计算两个向量余弦相似度的示例:
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 接口为文本嵌入模型(如 OpenAI、Cohere、Hugging Face)提供标准接口。 提供两种主要方法:
  • 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。
该接口允许查询和文档使用不同的策略进行嵌入,尽管大多数提供商在实践中以相同方式处理它们。

顶级集成

缓存

嵌入可以被存储或临时缓存,以避免重新计算。 嵌入缓存可以通过 CacheBackedEmbeddings 实现。此封装将嵌入存储在键值存储中,文本被哈希处理,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:用于缓存文档嵌入的任意 ByteStore
  • batch_size:(可选,默认为 None)每次存储更新之间嵌入的文档数量。
  • namespace:(可选,默认为 "")文档缓存的命名空间。有助于避免冲突(例如,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,或 True 表示复用 document_embedding_cache 相同的存储。
import time
from langchain_classic.embeddings import CacheBackedEmbeddings  
from langchain_classic.storage import LocalFileStore 
from langchain_core.vectorstores import InMemoryVectorStore

# Create your underlying embeddings model
underlying_embeddings = ... # e.g., OpenAIEmbeddings(), HuggingFaceEmbeddings(), etc.

# Store persists embeddings to the local filesystem
# This isn't for production use, but is useful for local
store = LocalFileStore("./cache/")

cached_embedder = CacheBackedEmbeddings.from_bytes_store(
    underlying_embeddings,
    store,
    namespace=underlying_embeddings.model
)

# Example: caching a query embedding
tic = time.time()
print(cached_embedder.embed_query("Hello, world!"))
print(f"First call took: {time.time() - tic:.2f} seconds")

# Subsequent calls use the cache
tic = time.time()
print(cached_embedder.embed_query("Hello, world!"))
print(f"Second call took: {time.time() - tic:.2f} seconds")
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。请参阅存储集成以获取选项。

所有嵌入模型

Aleph Alpha

Anyscale

Ascend

AI/ML API

AwaDB

AzureOpenAI

Baichuan 文本嵌入

百度千帆

Baseten

Bedrock

BGE on Hugging Face

Bookend AI

Clarifai

Cloudflare Workers AI

Clova 嵌入

Cohere

DashScope

Databricks

DeepInfra

EDEN AI

Elasticsearch

Embaas

假嵌入(Fake Embeddings)

FastEmbed by Qdrant

Fireworks

Google Gemini

Google Vertex AI

GPT4All

Gradient

GreenNode

Hugging Face

IBM watsonx.ai

Infinity

指令嵌入(Instruct Embeddings)

IPEX-LLM CPU

IPEX-LLM GPU

Isaacus

Intel Extension for Transformers

Jina

John Snow Labs

LASER

Lindorm

Llama.cpp

LLMRails

LocalAI

MiniMax

MistralAI

Model2Vec

ModelScope

MosaicML

Naver

Nebius

Netmind

NLP Cloud

Nomic

NVIDIA NIMs

Oracle 云基础设施

Ollama

OpenClip

OpenAI

OpenVINO

Optimum Intel

Oracle AI Database

OVHcloud

Pinecone 嵌入

PredictionGuard

PremAI

SageMaker

SambaNova

自托管(Self Hosted)

Sentence Transformers

Solar

SpaCy

SparkLLM

TensorFlow Hub

Text Embeddings Inference

TextEmbed

Titan Takeoff

Together AI

Upstage

Volc Engine

Voyage AI

Xinference

YandexGPT

ZhipuAI