AI创想

标题: LangChain框架-嵌入模型详解 [打印本页]

---

作者: admin    时间: 2025-9-7 23:02
标题: LangChain框架-嵌入模型详解
嵌入模型

        嵌入模型创建文本片段的向量表示。您可以将向量视为一个数字数组，它捕捉了文本的语义含义。 通过这种方式表示文本，您可以执行数学运算，从而进行诸如搜索其他在意义上最相似的文本等操作。 这些自然语言搜索能力支撑着许多类型的上下文检索， 在这里，我们为大型语言模型提供其有效响应查询所需的相关数据。
Embeddings类

   Embeddings类是一个用于与文本嵌入模型接口的类。存在许多不同的嵌入大模型供应商（OpenAI、Cohere、Hugging Face等）和本地模型，此类旨在为它们提供标准接口。以下是langchain-community  V0.3.21版本提供的Embeddings 实现类的分类简要介绍。

---

主流云服务提供商

OpenAIEmbeddings
OpenAI提供的文本嵌入模型（如text-embedding-ada-002），广泛用于语义搜索和相似性计算。
AzureOpenAIEmbeddings
Azure云平台托管的OpenAI嵌入模型，功能与OpenAIEmbeddings相同，但通过Azure接口调用。
GooglePalmEmbeddings
Google PaLM模型系列的嵌入服务，适用于多模态和文本任务。
VertexAIEmbeddings
Google Vertex AI平台的嵌入模型，集成在GCP生态中。
CohereEmbeddings
Cohere公司提供的语义嵌入模型，支持多语言和高性能检索。
BedrockEmbeddings
AWS Bedrock服务的嵌入模型，支持多种基础模型（如Claude、Llama等）。
OCIGenAIEmbeddings
Oracle Cloud Infrastructure (OCI) 的生成式AI嵌入服务。

---

开源与本地模型

HuggingFaceEmbeddings
支持Hugging Face Hub中的开源嵌入模型（如BERT、RoBERTa）。
SentenceTransformerEmbeddings
基于Sentence-Transformers库的嵌入模型（如all-MiniLM-L6-v2）。
HuggingFaceInstructEmbeddings
针对指令优化的模型（如hkunlp/instructor-large）。
FastEmbedEmbeddings
轻量级、高性能的开源嵌入库（如BGE、FlagEmbedding）。
LlamaCppEmbeddings
基于Llama.cpp的本地嵌入模型，支持CPU推理。
LocalAIEmbeddings
本地部署的AI模型嵌入，兼容OpenAI API格式。
OllamaEmbeddings
通过Ollama工具运行的本地模型嵌入（如Llama 2）。

---

国产与区域服务

ErnieEmbeddings
百度文心大模型的嵌入服务，支持中文场景。
QianfanEmbeddingsEndpoint
百度千帆平台的嵌入模型API。
ZhipuAIEmbeddings
智谱AI（GLM系列）的嵌入服务。
BaichuanTextEmbeddings
百川智能的中文文本嵌入模型。
HunyuanEmbeddings
腾讯混元大模型的嵌入服务。
DashScopeEmbeddings
阿里云达摩院的模型服务（通义千问）。
YandexGPTEmbeddings
Yandex的俄语优化嵌入模型。

---

行业特定或企业级

DatabricksEmbeddings
Databricks平台的MLflow集成嵌入模型。
SagemakerEndpointEmbeddings
AWS SageMaker托管的自定义嵌入模型端点。
MosaicMLInstructorEmbeddings
MosaicML训练的指令优化嵌入模型。
SelfHostedEmbeddings
用户自托管的自定义嵌入模型。
JavelinAIGatewayEmbeddings
通过Javelin AI网关访问的嵌入服务。

---

小众或实验性

FakeEmbeddings
用于测试的虚拟嵌入，生成固定值。
DeterministicFakeEmbedding
确定性假嵌入，便于调试。
SpacyEmbeddings
基于Spacy库的轻量级词向量（如en_core_web_lg）。
TensorflowHubEmbeddings
从TensorFlow Hub加载的预训练嵌入。
LaserEmbeddings
Facebook的LASER多语言句子嵌入。
VoyageEmbeddings
Voyage AI的高效领域专用嵌入。

---

硬件优化

OpenVINOBgeEmbeddings
使用OpenVINO优化的BGE模型，提升Intel硬件性能。
IpexLLMBgeEmbeddings
Intel IPEX加速的大语言模型嵌入。

---

其他

AlephAlpha*：欧洲Aleph Alpha公司的多模态嵌入。
AnyscaleEmbeddings：Anyscale平台的Ray集成模型。
Clova/ClovaX：韩国Naver的嵌入服务。
SolarEmbeddings：Upstage的Solar模型嵌入。
JinaEmbeddings：Jina AI的多模态嵌入框架。

---

LangChain 文本嵌入方法

        LangChain 中的基础 Embeddings 类提供了两个方法：

嵌入文档：使用 .embed_documents方法，可接受多个文本作为输入。 返回一个浮点数列表的列表。
嵌入查询：使用.embed_query方法，接受单个文本。返回一个浮点数列表。

代码示例

        接下来，我们以使用开源平台HuggingFace的Embeddings类作为示例，展示LangChain 中的两个文本嵌入方法。

引入HuggingFaceEmbeddings

1. from langchain_huggingface import HuggingFaceEmbeddings
3. embeddings_model = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2")

复制代码

• embed_documents 嵌入文本列表
  

1. embeddings = embeddings_model.embed_documents(
2.     [
3.         "Hi there!",
4.         "Oh, hello!",
5.         "What's your name?",
6.         "My friends call me World",
7.         "Hello World!"
8.     ]
9. )
10. len(embeddings), len(embeddings[0])

复制代码

embed_query 嵌入单个文本

1. embedded_query = embeddings_model.embed_query("What was the name mentioned in the conversation?")

复制代码

嵌入缓存

        LangChain 的嵌入缓存旨在避免重复计算嵌入向量，提升应用效率，核心依托CacheBackedEmbeddings实现。CacheBackedEmbeddings作为缓存支持的嵌入器，将文本哈希处理后以哈希值为键，在键值存储中缓存嵌入结果，避免对相同文本重复进行嵌入计算，从而提高程序运行效率，降低计算资源消耗 。

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何 ByteStore。
batch_size: （可选，默认为 None）在存储更新之间要嵌入的文档数量。
namespace: （可选，默认为 ``）用于文档缓存的命名空间。此命名空间用于避免与其他缓存的冲突。例如，将其设置为所使用的嵌入模型的名称。
query_embedding_cache: （可选，默认为 None 或不缓存）用于缓存查询嵌入的 ByteStore，或 True 以使用与 document_embedding_cache 相同的存储。

注意:

确保设置 namespace 参数，以避免使用不同嵌入模型嵌入相同文本时发生冲突。
CacheBackedEmbeddings 默认不缓存查询嵌入。要启用查询缓存，需要指定 query_embedding_cache。

代码示例

1. from langchain.embeddings import CacheBackedEmbeddings
2. from langchain.storage import LocalFileStore
3. from langchain_community.document_loaders import TextLoader
4. from langchain_community.vectorstores import FAISS
5. from langchain_openai import OpenAIEmbeddings
6. from langchain_text_splitters import CharacterTextSplitter
8. underlying_embeddings = OpenAIEmbeddings()
10. store = LocalFileStore("./cache/")
12. cached_embedder = CacheBackedEmbeddings.from_bytes_store(
13.     underlying_embeddings, store, namespace=underlying_embeddings.model
14. )
16. raw_documents = TextLoader("state_of_the_union.txt").load()
17. text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
18. documents = text_splitter.split_documents(raw_documents)
20. db = FAISS.from_documents(documents, cached_embedder)

复制代码

缓存方式



AstraDBByteStore

特性：这是一种非本地存储方案，依托 DataStax 服务，运行于 Cassandra 之上，具备矢量能力与无服务器架构，适用于大型分布式系统，可应对大规模数据存储与高并发访问需求。
使用方式：使用前需创建 DataStax 账户获取 API 访问凭证，接着安装langchain_astradb包来实现与 AstraDB 的集成，示例代码如下：

1. from langchain_astradb import AstraDBByteStore
2. kv_store = AstraDBByteStore(
3.     api_endpoint="YOUR_API_ENDPOINT",
4.     api_token="YOUR_API_TOKEN"
5. )

复制代码

CassandraByteStore

特性：基于 Apache Cassandra 这一免费开源、分布式宽列存储的 NoSQL 数据库管理系统构建，能处理海量数据，在跨多个普通服务器场景下提供高可用性，无单点故障。从版本 5.0 起，Cassandra 自带向量搜索功能，为数据存储与检索带来更多便利。
使用方式：属于非本地存储，需安装langchain_community包进行相关操作。

1. from langchain_community.storage import CassandraByteStore
2. from cassandra.cluster import Cluster
4. # 配置 Cassandra 连接
5. cluster = Cluster(['127.0.0.1'])  # 替换为您的 Cassandra 节点地址
6. session = cluster.connect('langchain_keyspace')  # 替换为您的 Keyspace 名称
8. # 初始化 CassandraByteStore
9. byte_store = CassandraByteStore(
10.     session=session,
11.     table_name="byte_store"  # 替换为您的表名
12. )

复制代码

ElasticsearchEmbeddingsCache

特性：作为本地存储方式，借助 Elasticsearch 实现嵌入缓存。它不仅能高效存储嵌入数据，还适合需要全文搜索功能的应用场景，方便开发者在大量文本数据中快速定位相关信息。
使用方式：通过安装langchain_elasticsearch包来使用，示例代码如下：

1. from langchain_elasticsearch import ElasticsearchEmbeddingsCache
2. cache = ElasticsearchEmbeddingsCache(
3.     elasticsearch_url="http://localhost:9200",
4.     index_name="embedding_cache"
5. )

复制代码

InMemoryByteStore

特性：采用内存存储方式，数据直接存储在运行程序的内存中。这种方式速度极快，能在短时间内完成数据的读写操作，不过由于受内存容量限制，数据持久性差，适合存储临时数据，比如在应用运行过程中产生的短暂性缓存数据。
使用方式：属于 LangChain 核心功能，无需额外安装特定包。使用示例如下：

1. from langchain_core import InMemoryByteStore
2. store = InMemoryByteStore()
3. store.put("key1", "value1")
4. value = store.get("key1")

复制代码

LocalFileStore

特性：将数据存储在本地文件系统中，是一种本地存储方案，适合持久化小规模数据。相比内存存储，它不受内存容量限制，数据可长期保存；但读写速度相对内存存储会慢一些。
使用方式：属于 LangChain 自带功能，示例代码如下：

1. from langchain import LocalFileStore
2. store = LocalFileStore("path/to/store")
3. store.put("key1", "value1")
4. value = store.get("key1")

复制代码

RedisStore

特性：基于 Redis 这一高性能的内存数据库实现存储，具备出色的读写性能，非常适合高并发场景。同时，Redis 支持多种数据结构，为数据存储与处理提供了丰富的操作方式，且数据可持久化保存。
使用方式：安装langchain_community包后使用，示例代码如下：

1. from langchain_community import RedisStore
2. store = RedisStore(host='localhost', port=6379)
3. store.put("key1", "value1")
4. value = store.get("key1")

复制代码

UpstashRedisByteStore

特性：这是一种云端 Redis 存储选项，属于非本地存储。它结合了 Redis 的优势与云端服务的便利性，能在云端环境中提供高效的存储服务，适合对数据存储有高可用性和可扩展性需求的应用场景 。
使用方式：需安装langchain_community包来集成

1. from langchain_community.storage import UpstashRedisByteStore
2. from upstash_redis import Redis
4. # 配置 Upstash Redis 连接
5. redis_client = Redis(
6.     url="https://your-upstash-redis-url",
7.     token="your-upstash-redis-token"
8. )
10. # 初始化 UpstashRedisByteStore
11. byte_store = UpstashRedisByteStore(client=redis_client)

复制代码

参考文献

键值存储 | LangChain中文网
缓存 | LangChain中文网
使用指南 | LangChain中文网

---

欢迎光临 AI创想 (https://llms-ai.com/)

Powered by Discuz! X3.4