跳到主要内容

Google 生成式 AI 嵌入

使用 GoogleGenerativeAIEmbeddings 类连接到 Google 的生成式 AI 嵌入服务，该类可在 langchain-google-genai 包中找到。

安装​

%pip install --upgrade --quiet  langchain-google-genai

凭据​

import getpass
import os

if "GOOGLE_API_KEY" not in os.environ:
    os.environ["GOOGLE_API_KEY"] = getpass("Provide your Google API key here")

用法​

from langchain_google_genai import GoogleGenerativeAIEmbeddings

embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
vector = embeddings.embed_query("hello, world!")
vector[:5]
[0.05636945, 0.0048285457, -0.0762591, -0.023642512, 0.05329321]

批量处理​

您还可以一次嵌入多个字符串以加快处理速度

vectors = embeddings.embed_documents(
    [
        "Today is Monday",
        "Today is Tuesday",
        "Today is April Fools day",
    ]
)
len(vectors), len(vectors[0])
(3, 768)

任务类型​

GoogleGenerativeAIEmbeddings 可选择支持 task_type，目前必须是以下之一

  • task_type_unspecified
  • retrieval_query (检索查询)
  • retrieval_document (检索文档)
  • semantic_similarity (语义相似度)
  • classification (分类)
  • clustering (聚类)

默认情况下，我们在 embed_documents 方法中使用 retrieval_document，在 embed_query 方法中使用 retrieval_query。 如果您提供了任务类型，我们将在所有方法中使用它。

%pip install --upgrade --quiet  matplotlib scikit-learn
Note: you may need to restart the kernel to use updated packages.
query_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/embedding-001", task_type="retrieval_query"
)
doc_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/embedding-001", task_type="retrieval_document"
)

所有这些都将使用“retrieval_query”任务集进行嵌入

query_vecs = [query_embeddings.embed_query(q) for q in [query, query_2, answer_1]]

所有这些都将使用“retrieval_document”任务集进行嵌入

doc_vecs = [doc_embeddings.embed_query(q) for q in [query, query_2, answer_1]]

在检索中，相对距离很重要。 在上图中，您可以看到“相关文档”之间的相似度得分差异，并且在后一种情况下，相似查询和相关文档之间的增量更强。

其他配置​

您可以将以下参数传递给 ChatGoogleGenerativeAI，以自定义 SDK 的行为

  • client_options: 客户端选项 传递给 Google API 客户端，例如自定义 client_options["api_endpoint"]
  • transport: 要使用的传输方法，例如 rest、grpc 或 grpc_asyncio。

此页面是否有帮助？