Skip to main content
兼容性：仅适用于 Node.js。
Oracle AI 数据库支持按含义（语义）而非仅按关键字查询数据的 AI 工作负载。它将非结构化内容的语义搜索与业务数据的关系过滤结合在单一系统中——因此您可以构建检索工作流（如 RAG），而无需引入单独的向量数据库并在多个平台间分散数据。 本指南演示如何使用 OracleEmbeddings 为内容生成嵌入。
为什么在 Oracle 中（或通过 Oracle）生成嵌入？ 您可以将数据治理和操作保证（安全性、事务、可用性）保持在 AI 工作流附近——同时选择适合您环境的嵌入提供者模型。

​
概述

​
集成详情

类包本地Python 支持
OracleEmbeddings@oracle/langchain-oracledb✅✅

​
设置

要使用 OracleEmbeddings，请安装 @oracle/langchain-oracledb 辅助工具（以及 @langchain/core），并确保您的系统满足 Oracle 数据库驱动程序的先决条件。

​
凭据

导出（或从您的密钥管理器加载）拥有向量表和 ONNX 模型的 Oracle 用户的凭据。 
export ORACLE_USER=testuser
export ORACLE_PASSWORD=testuser
export ORACLE_DSN="localhost:1521/free"
如果您计划调用第三方提供者（例如 OCI Generative AI 或 Hugging Face），必须先在 Oracle 数据库内创建凭据。请参阅 Oracle AI Vector Search 指南 了解 PL/SQL 辅助过程。

​
安装

npm install @oracle/langchain-oracledb @langchain/core

​
实例化嵌入

import oracledb from "oracledb";
import { OracleEmbeddings } from "@oracle/langchain-oracledb";

const connection = await oracledb.getConnection({
  user: process.env.ORACLE_USER,
  password: process.env.ORACLE_PASSWORD,
  connectionString: process.env.ORACLE_DSN,
});

const embeddings = new OracleEmbeddings(connection, {
  provider: "database",
  model: "DEMO_MODEL",
});

// 完成后关闭连接（或连接池）以避免资源泄漏。
// await connection.close();
构造函数的第三个参数是可选的 proxy 字符串。当出站请求必须通过 HTTP 代理时使用它（例如，从私有网络内调用 Hugging Face 时）。

​
在 Oracle 数据库内运行 ONNX 模型

Oracle 数据库支持多种嵌入提供者，使用户能够在专有数据库解决方案和第三方服务（如 OCIGENAI 和 HuggingFace）之间进行选择。此选择决定了生成和管理嵌入的方法。 重要提示：如果用户选择数据库选项，必须将 ONNX 模型上传到 Oracle 数据库。相反，如果选择第三方提供者生成嵌入，则无需将 ONNX 模型上传到 Oracle 数据库。 直接在 Oracle 中使用 ONNX 模型的一个显著优势是，通过避免将数据传输到外部方，提供了增强的安全性和性能。此外，这种方法避免了通常与网络或 REST API 调用相关的延迟。 以下是将 ONNX 模型上传到 Oracle 数据库的示例代码： 
import { OracleEmbeddings } from "@oracle/langchain-oracledb";

await OracleEmbeddings.loadOnnxModel(
  connection,
  "/path/to/model",
  "all-minilm-l12-v2.onnx",
  "DEMO_MODEL",
);

const dbEmbeddings = new OracleEmbeddings(connection, {
  provider: "database",
  model: "DEMO_MODEL",
});

const singleVector = await dbEmbeddings.embedQuery(
  "总结 Oracle 数据库中的混合搜索模式。",
);
console.log(singleVector.length);

​
调用托管嵌入提供者

将 provider 切换为通过 OCI Generative AI 或 Hugging Face 路由嵌入请求。提供您使用 Oracle 的 DBMS_VECTOR_CHAIN 辅助工具创建的凭据名称，如果需要，还需提供代理。 
const ociEmbeddings = new OracleEmbeddings(connection, {
  provider: "ocigenai",
  credential_name: "OCI_CRED",
  url: "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
  model: "cohere.embed-english-light-v3.0",
}, process.env.HTTP_PROXY);

const hfEmbeddings = new OracleEmbeddings(connection, {
  provider: "huggingface",
  credential_name: "HF_CRED",
  url: "https://api-inference.huggingface.co/pipeline/feature-extraction/",
  model: "sentence-transformers/all-MiniLM-L6-v2",
});

// 完成后清理：
// await connection.close();

​
为检索嵌入文档

使用相同的嵌入实例为 Oracle 数据库中的向量存储或混合检索准备内容。 
import { OracleDocLoader, OracleTextSplitter } from "@oracle/langchain-oracledb";

const loader = new OracleDocLoader(connection, {
  owner: "TESTUSER",
  tablename: "DEMO_TAB",
  colname: "DATA",
});

const docs = await loader.load();

const splitter = new OracleTextSplitter(connection, {
  split: "chars",
  max: 500,
  normalize: "all",
});

const chunks = await splitter.splitText(docs[0].pageContent);
const vectors = await embeddings.embedDocuments(chunks);

console.log(`生成了 ${vectors.length} 个向量`);

​
后续步骤

​
API 参考

有关所有 OracleEmbeddings 选项的详细文档，请访问 Oracle LangChain Oracle DB 仓库。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.