OllamaEmbeddings

这将帮助您开始使用 LangChain 中的 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

集成详细信息

提供商	软件包
Ollama	langchain-ollama

设置

首先，请按照这些说明设置并运行本地 Ollama 实例

• 下载并将 Ollama 安装到可用的支持平台上（包括 Windows Subsystem for Linux）
• 通过ollama pull <name-of-model>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，默认值指向最新、参数大小最小的模型。

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

• 指定感兴趣模型的确切版本，例如ollama pull vicuna:13b-v1.5-16k-q4_0（在此实例中查看Vicuna模型的各种标签）
• 要查看所有已提取的模型，请使用ollama list
• 要直接从命令行与模型聊天，请使用ollama run <name-of-model>
• 查看Ollama 文档以获取更多命令。在终端中运行ollama help以查看可用的命令。

凭据

Ollama 没有内置的身份验证机制。

如果您希望自动跟踪模型调用，您还可以通过取消注释以下内容来设置您的LangSmith API 密钥

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_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我们的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

嵌入模型通常用于检索增强生成 (RAG) 流程，既作为索引数据的一部分，也作为稍后检索数据的一部分。有关更详细的说明，请参阅我们位于使用外部知识教程下的 RAG 教程。

下面，请参阅如何使用上面初始化的embeddings对象索引和检索数据。在此示例中，我们将使用InMemoryVectorStore索引和检索示例文档。

# 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
retrieved_documents[0].page_content

API 参考：InMemoryVectorStore

'LangChain is the framework for building context-aware reasoning applications'

直接使用

在幕后，向量存储和检索器实现分别调用embeddings.embed_documents(...)和embeddings.embed_query(...)来为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获取用于您自己用例的嵌入。

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

[-0.001288981, 0.006547121, 0.018376578, 0.025603496, 0.009599175, -0.0042578303, -0.023250086, -0.0

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

[-0.0013138362, 0.006438795, 0.018304596, 0.025530428, 0.009717592, -0.004225636, -0.023363983, -0.0
[-0.010317663, 0.01632489, 0.0070348927, 0.017076202, 0.008924255, 0.007399284, -0.023064945, -0.003

API 参考

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

相关

• 嵌入模型概念指南
• 嵌入模型操作指南