Skip to main content
本文将帮助您开始使用 LangChain 接入 AzureOpenAI 嵌入模型。有关 AzureOpenAIEmbeddings 功能与配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

​
设置

要访问 AzureOpenAI 嵌入模型，您需要创建 Azure 账户、获取 API 密钥，并安装 langchain-openai 集成包。

​
凭据

您需要部署一个 Azure OpenAI 实例。您可以按照此指南在 Azure 门户中进行部署。 实例运行后，请确保您拥有实例名称和密钥。您可以在 Azure 门户中实例的“密钥和终结点”部分找到密钥。 
AZURE_OPENAI_ENDPOINT=<您的 API 终结点>
AZURE_OPENAI_API_KEY=<您的密钥>
AZURE_OPENAI_API_VERSION="2024-02-01"

import getpass
import os

if not os.getenv("AZURE_OPENAI_API_KEY"):
    os.environ["AZURE_OPENAI_API_KEY"] = getpass.getpass(
        "输入您的 AzureOpenAI API 密钥："
    )
要启用模型调用的自动追踪，请设置您的 LangSmith API 密钥： 
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("输入您的 LangSmith API 密钥：")

​
安装

LangChain 的 AzureOpenAI 集成位于 langchain-openai 包中： 
pip install -qU langchain-openai

​
实例化

现在我们可以实例化模型对象并生成嵌入向量： 
from langchain_openai import AzureOpenAIEmbeddings

embeddings = AzureOpenAIEmbeddings(
    model="text-embedding-3-large",
    # dimensions: Optional[int] = None, # 对于新的 text-embedding-3 模型，可指定维度
    # azure_endpoint="https://<your-endpoint>.openai.azure.com/", 如未提供，将读取环境变量 AZURE_OPENAI_ENDPOINT
    # api_key=... # 可直接提供 API 密钥。如缺失，将读取环境变量 AZURE_OPENAI_API_KEY
    # openai_api_version=..., # 如未提供，将读取环境变量 AZURE_OPENAI_API_VERSION
)

​
索引与检索

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。更详细的说明请参阅我们的 RAG 教程。 下面展示如何使用上面初始化的 embeddings 对象进行数据索引和检索。本例中，我们将在 InMemoryVectorStore 中索引并检索一个示例文档。 
# 使用示例文本创建向量存储
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain 是用于构建上下文感知推理应用程序的框架"

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

# 将向量存储用作检索器
retriever = vectorstore.as_retriever()

# 检索最相似的文本
retrieved_documents = retriever.invoke("什么是 LangChain？")

# 显示检索到的文档内容
retrieved_documents[0].page_content

'LangChain 是用于构建上下文感知推理应用程序的框架'

​
直接使用

在底层，向量存储和检索器的实现会调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，分别为 from_texts 中使用的文本和检索 invoke 操作创建嵌入向量。 您可以直接调用这些方法来获取嵌入向量，以满足自己的使用场景。

​
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])  # 显示向量的前 100 个字符

[-0.0011676070280373096, 0.007125577889382839, -0.014674457721412182, -0.034061674028635025, 0.01128

​
嵌入多个文本

您可以使用 embed_documents 嵌入多个文本： 
text2 = (
    "LangGraph 是一个用于构建具有 LLM 的有状态、多参与者应用程序的库"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # 显示向量的前 100 个字符

[-0.0011966148158535361, 0.007160289213061333, -0.014659193344414234, -0.03403077274560928, 0.011280
[-0.005595256108790636, 0.016757294535636902, -0.011055258102715015, -0.031094247475266457, -0.00363

​
API 参考

有关 AzureOpenAIEmbeddings 功能与配置选项的详细文档，请参阅 API 参考。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.