Qdrant 的 FastEmbed
FastEmbed 来自 Qdrant 是一个轻量级、快速、针对嵌入式生成构建的 Python 库。
- 量化模型权重
- ONNX Runtime，无 PyTorch 依赖
- CPU优先设计
- 用于对大型数据集进行编码的数据并行性。
依赖项
要在 LangChain 中使用 FastEmbed，请安装 fastembed Python 包。
%pip install --upgrade --quiet fastembed
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 模型的名称。您可以找到支持模型的列表 这里.
-
max_length: int（默认值：512）令牌的最大数量。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 会话可以使用的线程数。
-
doc_embed_type: Literal["default", "passage"]（默认值：“default”）"default": 使用 FastEmbed 的默认嵌入方法。
"passage": 在嵌入之前用 "passage" 作为前缀。
-
batch_size: int（默认值：256）编码的批次大小。较高的值将使用更多内存，但速度更快。
-
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0，使用所有可用内核。如果None，不使用数据并行处理，而是使用默认的 onnxruntime 线程。
embeddings = FastEmbedEmbeddings()
用法
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")