跳到主要内容
Open In ColabOpen on GitHub

Qdrant 的 FastEmbed

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

  • 量化模型权重
  • ONNX Runtime，无 PyTorch 依赖
  • CPU 优先设计
  • 用于大型数据集编码的数据并行

依赖项​

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

%pip install --upgrade --quiet  fastembed

导入​

from langchain_community.embeddings.fastembed import FastEmbedEmbeddings
API 参考：FastEmbedEmbeddings

实例化 FastEmbed​

参数​

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

    要使用的 FastEmbedding 模型名称。支持的模型列表可在此处找到。

  • max_length: int（默认值：512）

    最大 token 数量。对于大于 512 的值，行为未知。

  • cache_dir: Optional[str]（默认值：None）

    缓存目录的路径。默认为父目录中的 local_cache。

  • threads: Optional[int]（默认值：None）

    单个 onnxruntime 会话可使用的线程数。

  • doc_embed_type: Literal["default", "passage"]（默认值："default"）

    "default"：使用 FastEmbed 的默认嵌入方法。

    "passage"：在嵌入之前将文本前缀为“passage”。

  • batch_size: int（默认值：256）

    编码的批处理大小。值越高，内存使用量越大，但速度会更快。

  • parallel: Optional[int]（默认值：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。如果为 0，则使用所有可用核心。如果为 None，则不使用数据并行处理，而是使用默认的 onnxruntime 线程。

embeddings = FastEmbedEmbeddings()

使用​

生成文档嵌入​

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

生成查询嵌入​

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