Skip to main content
本文将帮助您开始使用 LangChain 的 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。

​
概览

​
集成详情

​
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 Windows Subsystem for Linux（WSL）、macOS 和 Linux）上安装 Ollama
    • macOS 用户可通过 Homebrew 使用 brew install ollama 安装，并使用 brew services start ollama 启动
  • 通过 ollama pull <模型名称> 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
  • 上述命令将下载该模型的默认标记版本。通常，默认版本指向最新的最小参数模型。
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
  • 可以指定特定版本，例如 ollama pull vicuna:13b-v1.5-16k-q4_0（查看此示例中 Vicuna 的各种标签）
  • 使用 ollama list 查看所有已下载的模型
  • 使用 ollama run <模型名称> 直接在命令行与模型对话
  • 查看 Ollama 文档了解更多命令。您可以在终端运行 ollama help 查看可用命令。
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

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",
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，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。 下面展示如何使用上面初始化的 embeddings 对象进行数据索引和检索。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
print(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，向量存储和检索器分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 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，以满足您自己的使用场景需求。

​
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])  # Show the first 100 characters of the vector

[-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])  # Show the first 100 characters of the vector

[-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。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.