> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# OracleEmbeddings 集成

> 使用 LangChain JavaScript 与 OracleEmbeddings 嵌入模型集成。

<Tip>
  **兼容性**：仅适用于 Node.js。
</Tip>

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](https://python.langchain.com/docs/integrations/embeddings/oracleai/) |
| :----------------- | :--------------------------------------------------------------------------------------- | :-: | :------------------------------------------------------------------------------: |
| `OracleEmbeddings` | [`@oracle/langchain-oracledb`](https://www.npmjs.com/package/@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。

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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](https://www.oracle.com/pls/topic/lookup?ctx=dblatest\&id=GUID-C6439E94-4E86-4ECD-954E-4B73D53579DE) 了解 PL/SQL 辅助过程。

### 安装

<CodeGroup>
  ```bash npm theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  npm install @oracle/langchain-oracledb @langchain/core
  ```

  ```bash yarn theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  yarn add @oracle/langchain-oracledb @langchain/core
  ```

  ```bash pnpm theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pnpm add @oracle/langchain-oracledb @langchain/core
  ```
</CodeGroup>

## 实例化嵌入

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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：

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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。

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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。

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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

* 使用 [`OracleVS`](/oss/javascript/integrations/vectorstores/oracleai) 存储嵌入以进行混合搜索
* 使用 [`OracleSummary`](/oss/javascript/integrations/tools/oracleai) 总结文档

***

## API 参考

有关所有 `OracleEmbeddings` 选项的详细文档，请访问 [Oracle LangChain Oracle DB 仓库](https://github.com/oracle/langchain-oracle/tree/main/libs/js/langchain-oracledb)。

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\javascript\integrations\embeddings\oracleai.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>