Skip to main content
使用 langchain-google-genai 包中的 GoogleGenerativeAIEmbeddings 类连接 Google 生成式 AI 嵌入服务。 本文将帮助您使用 LangChain 快速上手 Google 生成式 AI 嵌入模型（如 Gemini）。有关 GoogleGenerativeAIEmbeddings 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 Google 生成式 AI 嵌入模型，您需要创建一个 Google Cloud 项目、启用生成式语言 API、获取 API 密钥，并安装 langchain-google-genai 集成包。

​
凭证

要使用 Google 生成式 AI 模型，您必须拥有 API 密钥。您可以在 Google AI Studio 中创建一个。请参阅 Google 文档 获取说明。 获得密钥后，将其设置为环境变量 GOOGLE_API_KEY： 
import getpass
import os

if not os.getenv("GOOGLE_API_KEY"):
    os.environ["GOOGLE_API_KEY"] = getpass.getpass("Enter your Google API key: ")
要启用模型调用的自动追踪，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

pip install -qU  langchain-google-genai

​
使用方法

from langchain_google_genai import GoogleGenerativeAIEmbeddings

embeddings = GoogleGenerativeAIEmbeddings(model="models/gemini-embedding-001")
vector = embeddings.embed_query("hello, world!")
vector[:5]

[-0.024917153641581535,
 0.012005362659692764,
 -0.003886754624545574,
 -0.05774897709488869,
 0.0020742062479257584]

​
批量处理

您也可以一次嵌入多个字符串以加快处理速度： 
vectors = embeddings.embed_documents(
    [
        "Today is Monday",
        "Today is Tuesday",
        "Today is April Fools day",
    ]
)
len(vectors), len(vectors[0])

(3, 3072)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程，既用于数据索引，也用于后续检索。有关更详细的说明，请参阅我们的 RAG 教程。 以下展示了如何使用上面初始化的 embeddings 对象进行索引和检索。在此示例中，我们将在 InMemoryVectorStore 中索引并检索一个示例文档。 
# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

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

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

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# show the retrieved document's content
retrieved_documents[0].page_content

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

​
任务类型

GoogleGenerativeAIEmbeddings 可选支持 task_type，目前必须为以下之一：
  • SEMANTIC_SIMILARITY：用于生成针对文本相似度评估优化的嵌入。
  • CLASSIFICATION：用于生成针对按预设标签分类文本优化的嵌入。
  • CLUSTERING：用于生成针对基于相似度聚类文本优化的嵌入。
  • RETRIEVAL_DOCUMENT、RETRIEVAL_QUERY、QUESTION_ANSWERING 和 FACT_VERIFICATION：用于生成针对文档搜索或信息检索优化的嵌入。
  • CODE_RETRIEVAL_QUERY：用于根据自然语言查询检索代码块，例如排序数组或反转链表。代码块的嵌入使用 RETRIEVAL_DOCUMENT 计算。
默认情况下，embed_documents 方法使用 RETRIEVAL_DOCUMENT，embed_query 方法使用 RETRIEVAL_QUERY。如果您提供了任务类型，我们将对所有方法使用该类型。 
pip install -qU  matplotlib scikit-learn

from langchain_google_genai import GoogleGenerativeAIEmbeddings
from sklearn.metrics.pairwise import cosine_similarity

query_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/gemini-embedding-001", task_type="RETRIEVAL_QUERY"
)
doc_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/gemini-embedding-001", task_type="RETRIEVAL_DOCUMENT"
)

q_embed = query_embeddings.embed_query("What is the capital of France?")
d_embed = doc_embeddings.embed_documents(
    ["The capital of France is Paris.", "Philipp is likes to eat pizza."]
)

for i, d in enumerate(d_embed):
    print(f"Document {i + 1}:")
    print(f"Cosine similarity with query: {cosine_similarity([q_embed], [d])[0][0]}")
    print("---")

Document 1
Cosine similarity with query: 0.7892893360164779
---
Document 2
Cosine similarity with query: 0.5438283285204146
---

​
API 参考

有关 GoogleGenerativeAIEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
其他配置

您可以将以下参数传递给 ChatGoogleGenerativeAI 以自定义 SDK 的行为：
  • client_options：传递给 Google API 客户端的客户端选项，例如自定义 client_options["api_endpoint"]。
  • transport：要使用的传输方法，例如 rest、grpc 或 grpc_asyncio。
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，获取实时解答。