Skip to main content
加载 Hugging Face 嵌入类。 
pip install -qU  langchain langchain-huggingface sentence_transformers

from langchain_huggingface.embeddings import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2")

text = "This is a test document."

query_result = embeddings.embed_query(text)

query_result[:3]

[-0.04895168915390968, -0.03986193612217903, -0.021562768146395683]

doc_result = embeddings.embed_documents([text])

​
Hugging Face 推理提供商

我们还可以通过推理提供商访问嵌入模型，这使我们能够在可扩展的无服务器基础设施上使用开源模型。 首先，我们需要从 Hugging Face 获取只读 API 密钥。 
from getpass import getpass

huggingfacehub_api_token = getpass()
现在我们可以使用 HuggingFaceInferenceAPIEmbeddings 类通过推理提供商运行开源嵌入模型。 
from langchain_huggingface import HuggingFaceInferenceAPIEmbeddings

embeddings = HuggingFaceInferenceAPIEmbeddings(
    api_key=huggingfacehub_api_token,
    model_name="sentence-transformers/all-MiniLM-l6-v2",
)

query_result = embeddings.embed_query(text)
query_result[:3]

[-0.038338541984558105, 0.1234646737575531, -0.028642963618040085]

​
Hugging Face Hub

我们也可以通过 Hugging Face Hub 包在本地生成嵌入，这需要安装 huggingface_hub。 
!pip install huggingface_hub

from langchain_huggingface.embeddings import HuggingFaceEndpointEmbeddings

embeddings = HuggingFaceEndpointEmbeddings()

text = "This is a test document."

query_result = embeddings.embed_query(text)

query_result[:3]
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。