Qdrant 的 FastEmbed

来自 Qdrant 的 FastEmbed 是一个轻量级、快速的 Python 库，专为嵌入生成而构建。

量化模型权重

ONNX Runtime，无需 PyTorch 依赖

CPU 优先设计

用于编码大型数据集的数据并行性。

依赖项

要在 LangChain 中使用 FastEmbed，请安装 fastembed Python 包。

%pip install --upgrade --quiet  fastembed

from langchain_community.embeddings.fastembed import FastEmbedEmbeddings

model_name: str (默认: "BAAI/bge-small-en-v1.5")

要使用的 FastEmbedding 模型的名称。您可以在此处找到支持的模型列表。
max_length: int (默认: 512)

最大令牌数。对于 > 512 的值，行为未知。
cache_dir: Optional[str] (默认: None)

缓存目录的路径。默认为父目录中的 local_cache。
threads: Optional[int] (默认: None)

单个 onnxruntime 会话可以使用的线程数。
doc_embed_type: Literal["default", "passage"] (默认: "default")

"default": 使用 FastEmbed 的默认嵌入方法。

"passage": 在嵌入之前为文本添加 "passage" 前缀。
batch_size: int (默认: 256)

编码的批处理大小。较高的值将使用更多内存，但速度更快。
parallel: Optional[int] (默认: None)

如果 >1，将使用数据并行编码，建议用于大型数据集的离线编码。如果 0，则使用所有可用的核心。如果为 None，则不使用数据并行处理，而是使用默认的 onnxruntime 线程处理。

embeddings = FastEmbedEmbeddings()

document_embeddings = embeddings.embed_documents(
    ["This is a document", "This is some other document"]
)

query_embeddings = embeddings.embed_query("This is a query")