> ## 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. # 嵌入模型集成 > 使用 LangChain Python 与嵌入模型集成。 ## 概述本概述涵盖**基于文本的嵌入模型**。LangChain 目前暂不支持多模态嵌入。请参阅[热门嵌入模型](#top-integrations)。嵌入模型将原始文本（如句子、段落或推文）转换为固定长度的数字向量，以捕捉其**语义含义**。这些向量使机器能够基于含义而非精确词汇来比较和搜索文本。在实践中，这意味着具有相似思想的文本在向量空间中被放置得很近。例如，嵌入不仅可以匹配短语 *"机器学习"*，还能找出讨论相关概念的文档，即使使用了不同的措辞。 ### 工作原理 1. **向量化** — 模型将每个输入字符串编码为一个高维向量。 2. **相似度评分** — 使用数学度量来比较向量，以衡量底层文本的关联程度。 ### 相似度度量比较嵌入时常用的几种度量方法： * **余弦相似度** — 测量两个向量之间的夹角。 * **欧几里得距离** — 测量两点之间的直线距离。 * **点积** — 测量一个向量在另一个向量上的投影量。以下是计算两个向量之间余弦相似度的示例： ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} import numpy as np def cosine_similarity(vec1, vec2): dot = np.dot(vec1, vec2) return dot / (np.linalg.norm(vec1) * np.linalg.norm(vec2)) similarity = cosine_similarity(query_embedding, document_embedding) print("Cosine Similarity:", similarity) ``` ## 接口 LangChain 通过 [Embeddings](https://reference.langchain.com/python/langchain-core/embeddings/embeddings/Embeddings) 接口为文本嵌入模型（例如 OpenAI、Cohere、Hugging Face）提供了标准接口。提供两个主要方法： * `embed_documents(texts: List[str]) → List[List[float]]`：嵌入文档列表。 * `embed_query(text: str) → List[float]`：嵌入单个查询。该接口允许查询和文档使用不同的策略进行嵌入，尽管在实践中大多数提供者以相同的方式处理它们。 ## 热门集成 | 模型 | 包 | | ------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------- | | [`OpenAIEmbeddings`](/oss/python/integrations/embeddings/openai) | [`langchain-openai`](https://reference.langchain.com/python/langchain-openai) | | [`AzureOpenAIEmbeddings`](/oss/python/integrations/embeddings/azure_openai) | [`langchain-openai`](https://reference.langchain.com/python/langchain-openai/embeddings/azure/AzureOpenAIEmbeddings) | | [`GoogleGenerativeAIEmbeddings`](/oss/python/integrations/embeddings/google_generative_ai) | [`langchain-google-genai`](https://reference.langchain.com/python/langchain-google-genai/embeddings/GoogleGenerativeAIEmbeddings) | | [`OllamaEmbeddings`](/oss/python/integrations/embeddings/ollama) | [`langchain-ollama`](https://reference.langchain.com/python/langchain-ollama/embeddings/OllamaEmbeddings) | | [`TogetherEmbeddings`](/oss/python/integrations/embeddings/together) | [`langchain-together`](https://reference.langchain.com/python/langchain-together/embeddings/TogetherEmbeddings) | | [`FireworksEmbeddings`](/oss/python/integrations/embeddings/fireworks) | [`langchain-fireworks`](https://reference.langchain.com/python/langchain-fireworks/embeddings/FireworksEmbeddings) | | [`MistralAIEmbeddings`](/oss/python/integrations/embeddings/mistralai) | [`langchain-mistralai`](https://reference.langchain.com/python/langchain-mistralai/embeddings/MistralAIEmbeddings) | | [`VoyageAIEmbeddings`](/oss/python/integrations/embeddings/voyageai) | `langchain-voyageai` | | [`CohereEmbeddings`](/oss/python/integrations/embeddings/cohere) | [`langchain-cohere`](https://reference.langchain.com/python/langchain-community/llms/cohere/Cohere) | | [`NomicEmbeddings`](/oss/python/integrations/embeddings/nomic) | [`langchain-nomic`](https://reference.langchain.com/python/langchain-nomic/embeddings/NomicEmbeddings) | | [`FakeEmbeddings`](/oss/python/integrations/embeddings/fake) | [`langchain-core`](https://reference.langchain.com/python/langchain-core/embeddings/fake/FakeEmbeddings) | | [`DatabricksEmbeddings`](/oss/python/integrations/embeddings/databricks) | [`databricks-langchain`](https://api-docs.databricks.com/python/databricks-ai-bridge/latest/databricks_langchain.html#databricks_langchain.DatabricksEmbeddings) | | [`WatsonxEmbeddings`](/oss/python/integrations/embeddings/ibm_watsonx) | [`langchain-ibm`](https://reference.langchain.com/python/langchain-ibm/embeddings/WatsonxEmbeddings) | | [`NVIDIAEmbeddings`](/oss/python/integrations/embeddings/nvidia_ai_endpoints) | [`langchain-nvidia`](https://reference.langchain.com/python/langchain-nvidia-ai-endpoints/embeddings/NVIDIAEmbeddings) | | [`AIMLAPIEmbeddings`](/oss/python/integrations/embeddings/aimlapi) | `langchain-aimlapi` | ## 缓存嵌入可以被存储或临时缓存，以避免重复计算。可以使用 `CacheBackedEmbeddings` 来缓存嵌入。此包装器将嵌入存储在键值存储中，其中文本被哈希处理，哈希值用作缓存中的键。初始化 `CacheBackedEmbeddings` 的主要支持方式是 `from_bytes_store`。它接受以下参数： * **`underlying_embedder`**：用于嵌入的嵌入器。 * **`document_embedding_cache`**：用于缓存文档嵌入的任何 [`ByteStore`](/oss/python/integrations/stores/)。 * **`batch_size`**：（可选，默认为 `None`）存储更新之间要嵌入的文档数量。 * **`namespace`**：（可选，默认为 `""`）用于文档缓存的命名空间。有助于避免冲突（例如，将其设置为嵌入模型名称）。 * **`query_embedding_cache`**：（可选，默认为 `None`）用于缓存查询嵌入的 [`ByteStore`](/oss/python/integrations/stores/)，或设置为 `True` 以重用与 `document_embedding_cache` 相同的存储。 - 使用不同的嵌入模型时，请始终设置 `namespace` 参数以避免冲突。 - `CacheBackedEmbeddings` 默认不缓存查询嵌入。要启用此功能，请指定一个 `query_embedding_cache`。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} import time from langchain_classic.embeddings import CacheBackedEmbeddings # [!code highlight] from langchain_classic.storage import LocalFileStore # [!code highlight] from langchain_core.vectorstores import InMemoryVectorStore # 创建底层嵌入模型 underlying_embeddings = ... # 例如，OpenAIEmbeddings()、HuggingFaceEmbeddings() 等。 # 存储将嵌入持久化到本地文件系统 # 这不适用于生产环境，但对本地开发有用 store = LocalFileStore("./cache/") # [!code highlight] cached_embedder = CacheBackedEmbeddings.from_bytes_store( underlying_embeddings, store, namespace=underlying_embeddings.model ) # 示例：缓存查询嵌入 tic = time.time() print(cached_embedder.embed_query("Hello, world!")) print(f"第一次调用耗时: {time.time() - tic:.2f} 秒") # 后续调用使用缓存 tic = time.time() print(cached_embedder.embed_query("Hello, world!")) print(f"第二次调用耗时: {time.time() - tic:.2f} 秒") ``` 在生产环境中，通常会使用更健壮的持久化存储，例如数据库或云存储。请参阅[存储集成](/oss/python/integrations/stores/)了解选项。 ## 所有嵌入模型 ***

[Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\python\integrations\embeddings\index.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose). [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.