黑马大模型RAG与Agent智能体实战教程LangChain提示词——13、RAG开发——LangChain调用嵌入模型（embed_query单次生成向量、embed_documents批量生成向量
"""LangChain 嵌入模型（Embeddings）调用示例本示例演示如何在 LangChain 中使用阿里云 DashScope 的嵌入模型：- 使用 `DashScopeEmbeddings` 创建嵌入模型实例- 调用 `embed_query()` 对单条文本生成向量- 调用 `embed_documents()` 对多条文本批量生成向量核心概念：- Embedding（向量化）：将一
教程：https://www.bilibili.com/video/BV1yjz5BLEoY
代码：https://github.com/shangxiang0907/HeiMa-AI-LLM-RAG-Agent-Dev
文章目录
RAG开发-10、LangChain调用嵌入模型
介绍
阿里云千问模型访问方式
本地Ollama模型访问方式
本地Ollama嵌入模型下载
查找模型
Ollama直接下载
命令行下载
ollama pull qwen3-embedding:4b
→提示词：帮我根据图中内容，创建代码15，介绍嵌入模型的调用
←AI回复
15_LangChain_Embeddings_DashScope.py
"""
LangChain 嵌入模型（Embeddings）调用示例
本示例演示如何在 LangChain 中使用阿里云 DashScope 的嵌入模型：
- 使用 `DashScopeEmbeddings` 创建嵌入模型实例
- 调用 `embed_query()` 对单条文本生成向量
- 调用 `embed_documents()` 对多条文本批量生成向量
核心概念：
- Embedding（向量化）：将一段文本转换成一个浮点数列表（向量），
使得「相似的文本」在向量空间中的距离更近，用于相似度搜索、向量数据库、RAG 检索等。
"""
import os
from typing import List
from dotenv import load_dotenv
from langchain_community.embeddings import DashScopeEmbeddings
def init_embedding_model() -> DashScopeEmbeddings:
"""
初始化 DashScopeEmbeddings 嵌入模型实例。
优先从以下环境变量中读取密钥（依次回退）：
- DASHSCOPE_API_KEY（阿里云官方推荐）
- API_KEY（与本项目其他示例保持兼容）
默认使用 DashScope 的 text-embedding 模型（LangChain 内部有默认值），
一般命名类似于：text-embedding-v1 / text-embedding-v2。
"""
load_dotenv()
# 兼容两种环境变量命名方式
api_key = os.getenv("DASHSCOPE_API_KEY") or os.getenv("API_KEY")
if not api_key:
raise ValueError(
"未找到 DASHSCOPE_API_KEY 或 API_KEY 环境变量，请先在 .env 或系统环境中配置后再运行。"
)
# LangChain 的 DashScopeEmbeddings 会自动从环境变量中读取 key，
# 这里设置一份到 DASHSCOPE_API_KEY，确保兼容性。
os.environ["DASHSCOPE_API_KEY"] = api_key
# 如果需要显式指定模型，可以传入 model="text-embedding-v1" 等参数：
# embed = DashScopeEmbeddings(model="text-embedding-v1")
embed = DashScopeEmbeddings()
return embed
def demo_embed_query(embed: DashScopeEmbeddings) -> None:
"""
演示 `embed_query`：对单条文本进行向量化。
"""
print("=" * 80)
print("【示例1】embed_query：对单条文本生成向量")
print("-" * 80)
text = "我喜欢你"
print(f"原始文本：{text}")
vector: List[float] = embed.embed_query(text)
print(f"\n向量维度：{len(vector)}")
# 只展示前几个维度，避免输出过长
preview_dims = 8
print(f"前 {preview_dims} 维示例：{vector[:preview_dims]}")
print("-" * 80)
print()
def demo_embed_documents(embed: DashScopeEmbeddings) -> None:
"""
演示 `embed_documents`：对多条文本批量生成向量。
"""
print("=" * 80)
print("【示例2】embed_documents：对多条文本批量生成向量")
print("-" * 80)
docs = ["我喜欢你", "我稀饭你", "晚上吃啥"]
print("原始文本列表：")
for i, d in enumerate(docs, 1):
print(f" {i}. {d}")
vectors: List[List[float]] = embed.embed_documents(docs)
print(f"\n共生成 {len(vectors)} 个向量，每个向量维度：{len(vectors[0]) if vectors else 0}")
print("\n每条文本的向量前几维示例：")
preview_dims = 6
# 使用 zip(docs, vectors) 将「原始文本」和「对应的向量」一一配对，
# 再用 enumerate(..., 1) 给每一对 (文本, 向量) 编上从 1 开始的序号 i。
# 这样在 for 循环里就可以同时拿到：序号 i、文本 d，以及该文本的向量 v。
for i, (d, v) in enumerate(zip(docs, vectors), 1):
print(f" {i}. 文本：{d}")
print(f" 向量前 {preview_dims} 维：{v[:preview_dims]}")
print("-" * 80)
print()
def intro_summary() -> None:
"""
简要总结：什么时候使用嵌入模型？
"""
print("=" * 80)
print("【嵌入模型简介】")
print("=" * 80)
print()
print("📌 嵌入模型（Embeddings）的典型应用场景：")
print("- 相似度搜索：找到与查询文本语义最接近的文档")
print("- 向量数据库：将文档向量化后存入 Milvus、Faiss、PGVector 等")
print("- RAG 检索：根据用户问题，在知识库中检索相关文档再交给大模型回答")
print("- 文本聚类 / 降维可视化：基于语义相似性对文本分组")
print()
print("一般流程是：文本 -> 嵌入向量 -> 相似度计算 / 向量索引 -> 返回最相似结果。")
print()
def main() -> None:
"""
主函数：演示 DashScope 嵌入模型在 LangChain 中的基本用法。
"""
print("=" * 80)
print("LangChain 嵌入模型（DashScopeEmbeddings）调用示例")
print("=" * 80)
print()
embed = init_embedding_model()
# 示例1：单条文本向量化
demo_embed_query(embed)
# 示例2：多条文本批量向量化
demo_embed_documents(embed)
# 嵌入模型使用说明
intro_summary()
print("=" * 80)
print("示例结束")
print("=" * 80)
if __name__ == "__main__":
main()
运行代码
python3 AI_LLM_RAG_Agent_Dev/15_LangChain_Embeddings_DashScope.py
结果：
================================================================================
LangChain 嵌入模型（DashScopeEmbeddings）调用示例
================================================================================
================================================================================
【示例1】embed_query：对单条文本生成向量
--------------------------------------------------------------------------------
原始文本：我喜欢你
向量维度：1536
前 8 维示例：[-3.02587890625, 3.3109374046325684, 4.410546779632568, 0.4593261778354645, -4.43798828125, 0.844921886920929, -2.8739380836486816, 2.057324171066284]
--------------------------------------------------------------------------------
================================================================================
【示例2】embed_documents：对多条文本批量生成向量
--------------------------------------------------------------------------------
原始文本列表：
1. 我喜欢你
2. 我稀饭你
3. 晚上吃啥
共生成 3 个向量，每个向量维度：1536
每条文本的向量前几维示例：
1. 文本：我喜欢你
向量前 6 维：[-2.075488328933716, -2.4903321266174316, 5.5103759765625, -0.4012207090854645, -4.446972846984863, 0.6407226324081421]
2. 文本：我稀饭你
向量前 6 维：[-2.750267505645752, 3.2679734230041504, 1.157726526260376, 3.536830425262451, -1.2712867259979248, 0.4513811469078064]
3. 文本：晚上吃啥
向量前 6 维：[-1.5215332508087158, -2.4678385257720947, 5.050471782684326, 4.031836032867432, 1.4569010734558105, 0.7109212279319763]
--------------------------------------------------------------------------------
================================================================================
【嵌入模型简介】
================================================================================
📌 嵌入模型（Embeddings）的典型应用场景：
- 相似度搜索：找到与查询文本语义最接近的文档
- 向量数据库：将文档向量化后存入 Milvus、Faiss、PGVector 等
- RAG 检索：根据用户问题，在知识库中检索相关文档再交给大模型回答
- 文本聚类 / 降维可视化：基于语义相似性对文本分组
一般流程是：文本 -> 嵌入向量 -> 相似度计算 / 向量索引 -> 返回最相似结果。
================================================================================
示例结束
================================================================================
总结：目前所掌握的LangChain API
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
3
0- 0
已为社区贡献407条内容
所有评论(0)