跳到主要内容
Open In ColabOpen on GitHub

OllamaEmbeddings

这将帮助您开始使用 LangChain 的 Ollama 嵌入模型。有关 OllamaEmbeddings 功能和配置选项的详细文档,请参阅 API 参考

概述

集成详情

提供商
Ollamalangchain-ollama

设置

首先,请遵循这些说明设置并运行本地 Ollama 实例

  • 下载并安装 Ollama 到支持的平台(包括适用于 Linux 的 Windows 子系统,即 WSL、macOS 和 Linux)
    • macOS 用户可以通过 Homebrew 使用 brew install ollama 进行安装,并使用 brew services start ollama 启动。
  • 通过 ollama pull <模型名称> 获取可用的 LLM 模型
    • 通过模型库查看可用模型列表
    • 例如,ollama pull llama3
  • 这将下载模型的默认标记版本。通常,默认版本指向最新、参数量最小的模型。

在 Mac 上,模型将下载到 ~/.ollama/models

在 Linux(或 WSL)上,模型将存储在 /usr/share/ollama/.ollama/models

  • 指定感兴趣模型的精确版本,例如 ollama pull vicuna:13b-v1.5-16k-q4_0(查看此示例中 Vicuna 模型的各种标签
  • 要查看所有已拉取的模型,请使用 ollama list
  • 要直接从命令行与模型聊天,请使用 ollama run <模型名称>
  • 有关更多命令,请查看Ollama 文档。您可以在终端中运行 ollama help 来查看可用命令。

要启用模型调用的自动跟踪,请设置您的 LangSmith API 密钥

# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain Ollama 集成位于 langchain-ollama 包中

%pip install -qU langchain-ollama
Note: you may need to restart the kernel to use updated packages.

实例化

现在我们可以实例化模型对象并生成嵌入

from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
model="llama3",
)
API 参考:OllamaEmbeddings

索引和检索

嵌入模型常用于检索增强生成(RAG)流程中,既用于数据索引,也用于后续检索。有关更详细的说明,请参阅我们的 RAG 教程

下面,您将看到如何使用我们上面初始化的 embeddings 对象来索引和检索数据。在此示例中,我们将在 InMemoryVectorStore 中索引和检索一个示例文档。

# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
[text],
embedding=embeddings,
)

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# Show the retrieved document's content
print(retrieved_documents[0].page_content)
API 参考:InMemoryVectorStore
LangChain is the framework for building context-aware reasoning applications

直接用法

在底层,向量存储和检索器实现正在分别调用 embeddings.embed_documents(...)embeddings.embed_query(...),为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。

您可以直接调用这些方法来为自己的用例获取嵌入。

嵌入单个文本

您可以使用 embed_query 嵌入单个文本或文档

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100]) # Show the first 100 characters of the vector
[-0.0039849705, 0.023019705, -0.001768838, -0.0058736936, 0.00040999008, 0.017861595, -0.011274585,

嵌入多个文本

您可以使用 embed_documents 嵌入多个文本

text2 = (
"LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
print(str(vector)[:100]) # Show the first 100 characters of the vector
[-0.0039849705, 0.023019705, -0.001768838, -0.0058736936, 0.00040999008, 0.017861595, -0.011274585, 
[-0.0066985516, 0.009878328, 0.008019467, -0.009384944, -0.029560851, 0.025744654, 0.004872892, -0.0

API 参考

有关 OllamaEmbeddings 功能和配置选项的详细文档,请参阅 API 参考