大模型 (LLM)入门到精通 | LangChain 如何嵌入（Embedding）和向量存储（Vector store）?

最新推荐文章于 2025-04-23 16:06:40 发布

原创最新推荐文章于 2025-04-23 16:06:40 发布

· 1.1k 阅读

15 ·

版权

文章标签：

#langchain #embedding #人工智能 #大模型 #AI大模型 #AI #向量存储

在 LangChain 框架中，Embedding 和 Vector Store 是用于处理和存储文本向量的概念。它们通常用于相似性搜索、信息检索和知识图谱构建等任务。

1. Embedding（嵌入）

Embedding 是将文本转换为固定长度的向量的过程。这些向量包含了文本的语义信息，可以用于后续的相似性比较和分析。在 LangChain 中，Embedding 可以通过调用特定的工具或组件来实现。

2. Vector Store（向量存储）

Vector Store 是用于存储和检索文本向量的数据结构。它允许用户通过向量之间的相似性来搜索和检索相关数据。在 LangChain 中，Vector Store 可以通过定义一个工具或组件来实现，例如使用 Faiss、HNSW 等向量数据库。

3. 结合使用

在 LangChain 中，开发者通常会定义一个或多个 Embedding 和 Vector Store 工具，并将它们与链（Chain）或其他组件一起使用，以构建复杂的应用。例如，一个应用可能包括以下步骤：

接收文本输入。
使用 Embedding 工具将输入文本转换为向量。
将向量存储在 Vector Store 中。
执行相似性搜索或信息检索。
返回搜索结果。

通过这种方式，开发者可以构建强大的应用，而无需担心底层的文本向量处理和存储细节。

4. 示例

假设我们想构建一个基于文本的推荐系统。我们可以定义一个 Embedding 工具和一个 Vector Store 工具：

from langchain import OpenAI, Tool

# 定义 Embedding 工具
def embed_text(text):
    # 实现文本嵌入的逻辑
    return embedding

embedding_tool = Tool(name="embedding", description="Useful for converting text to embeddings", func=embed_text)

# 定义 Vector Store 工具
def store_vectors(vectors):
    # 实现向量存储的逻辑
    return store

vector_store_tool = Tool(name="vector_store", description="Useful for storing and retrieving vectors", func=store_vectors)

# 创建链
chain = Chain(steps=[embedding_tool, vector_store_tool])

# 执行链
input_text = "What is the capital of France?"
result = chain.run(input_text)

print(result)