当前位置：首页 > news >正文

使用开源Embedding模型嵌入高维空间向量

news 2025/2/21 3:12:05

发现问题

今天在学AI的时候发现一个问题：我想将分割后的文档嵌入到Qdrant数据库中，并用moonshot访问。但是我发现moonshot模型不适合生成嵌入，也就是说，没有通常意义下的embeddings方法。

探索过程

这个问题困扰了我好长时间，一直在搜资料怎样让moonshot可以生成嵌入，最终也没找到方法…

不过过程中ai还是给出了一个可行的解决方法

AI：可以使用OpenAI的嵌入模型

我：？？？

~~我肯定知道OpenAI的模型能用啊…~~

这里还是贴一下OpenAI使用的代码吧,有条件的可以使用这个：

需要再安装一个库

pip install qdrant-client

#将分割嵌入并存储在矢量数据库Qdrant中
from langchain.vectorstores import Qdrant
from langchain.embeddings import OpenAIEmbeddings
vectorstore = Qdrant.from_documents(documents=chunked_documents, # 以分块的文档embedding=OpenAIEmbeddings(), # 用OpenAI的Embedding Model做嵌入location=":memory:",  # in-memory 存储collection_name="my_documents",) # 指定collection_name

需要提前配置好OpenAI的key

进一步探索

其实上面的回答并不能解决实际问题，毕竟，要是能用OpenAI的模型也就不会去专门搞国内的大模型了~

那么，看看其他模型是怎么解决的！

from langchain_community.vectorstores import Qdrant
from volcenginesdkarkruntime import Ark
from langchain.pydantic_v1 import BaseModel
from typing import Dict, List, Any
from langchain.embeddings.base import Embeddings# 火山模型
class DoubaoEmbeddings(BaseModel, Embeddings):client: Ark = Noneapi_key: str = ""model: strdef __init__(self, **data: Any):super().__init__(**data)if self.api_key == "":self.api_key = os.environ["OPENAI_API_KEY"]self.client = Ark(base_url=os.environ["OPENAI_BASE_URL"],api_key=self.api_key)def embed_query(self, text: str) -> List[float]:embeddings = self.client.embeddings.create(model=self.model, input=text)return embeddings.data[0].embeddingdef embed_documents(self, texts: List[str]) -> List[List[float]]:return [self.embed_query(text) for text in texts]class Config:arbitrary_types_allowed = Truevectorstore = Qdrant.from_documents(documents=chunked_documents,  # 以分块的文档embedding=DoubaoEmbeddings(model=os.environ["EMBEDDING_MODELEND"],),  # 用OpenAI的Embedding Model做嵌入location=":memory:",  # in-memory 存储collection_name="my_documents",
)  # 指定collection_name

诶！我有个主意

我们把里面的换成moonshot的不就行了？

答案是：不行！

会报如下错：

    raise AttributeError(f'{type(self).__name__!r} object has no attribute {item!r}')
AttributeError: 'Moonshot' object has no attribute 'embeddings'

也是，拿过来改改就能用也太不合理了

最终探索

到了这步有点进行不下去了，突然想到一个问题：

嵌入模型必须和语言模型一致才能使用吗？

诶，还真不是！

Embedding模型在NLP中只负责将词汇映射为高维空间向量，与后续的语言模型并不需要使用统一个。

那现在问题就很简单了，有没有什么开源的Embedding模型呢？

Sentence Transformers (Sentence-BERT)：这是一个基于 BERT 的嵌入模型，可以生成高质量的句子嵌入。

上手！

先下载一下对应的库

pip install transformers

接下来就是见证奇迹的时刻

class SentenceBERTEmbeddings:def __init__(self, model_name='all-MiniLM-L6-v2'):self.model = SentenceTransformer(model_name)def embed_query(self, text: str) -> List[float]:return self.model.encode(text).tolist()def embed_documents(self, texts: List[str]) -> List[List[float]]:return [self.embed_query(text) for text in texts]def __call__(self, text: str) -> List[float]:return self.embed_query(text)class Config:arbitrary_types_allowed = Truevectorstore = Qdrant.from_documents(documents=chunked_documents, # 以分块的文档embedding=SentenceBERTEmbeddings(), # 用OpenAI的Embedding Model做嵌入location=":memory:",  # in-memory 存储collection_name="my_documents",) # 指定collection_name

在这里插入图片描述
搞定！

项目完整代码

最后附上项目的完整代码，大家可以参考一下

init包在上一期文章里

import os
from langchain_community.llms.moonshot import Moonshot
import init# 1.Load 导入Document Loaders
from langchain_community.document_loaders import PyPDFLoader
from langchain_community.document_loaders import Docx2txtLoader
from langchain_community.document_loaders import TextLoader# 加载Documents
base_dir = 'flowers' # 文档的存放目录
documents = []
for file in os.listdir(base_dir): # 构建完整的文件路径file_path = os.path.join(base_dir, file)if file.endswith('.pdf'):loader = PyPDFLoader(file_path)documents.extend(loader.load())elif file.endswith('.docx'): loader = Docx2txtLoader(file_path)documents.extend(loader.load())elif file.endswith('.txt'):loader = TextLoader(file_path)documents.extend(loader.load())
# 2.Split 将Documents切分成块以便后续进行嵌入和向量存储
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=10)
chunked_documents = text_splitter.split_documents(documents)# 3.Store 将分割嵌入并存储在矢量数据库Qdrant中
from langchain_community.vectorstores import Qdrant
from typing import Dict, List, Anyfrom sentence_transformers import SentenceTransformer# 定义 Sentence-BERT 嵌入模型
class SentenceBERTEmbeddings:def __init__(self, model_name='all-MiniLM-L6-v2'):self.model = SentenceTransformer(model_name)def embed_query(self, text: str) -> List[float]:return self.model.encode(text).tolist()def embed_documents(self, texts: List[str]) -> List[List[float]]:return [self.embed_query(text) for text in texts]def __call__(self, text: str) -> List[float]:return self.embed_query(text)class Config:arbitrary_types_allowed = Truevectorstore = Qdrant.from_documents(documents=chunked_documents, # 以分块的文档embedding=SentenceBERTEmbeddings(), # 用OpenAI的Embedding Model做嵌入location=":memory:",  # in-memory 存储collection_name="my_documents",) # 指定collection_name# 4. Retrieval 准备模型和Retrieval链
import logging # 导入Logging工具
from langchain.retrievers.multi_query import (MultiQueryRetriever,
)  # MultiQueryRetriever工具
from langchain.chains import RetrievalQA  # RetrievalQA链# 设置Logging
logging.basicConfig()
logging.getLogger('langchain.retrievers.multi_query').setLevel(logging.INFO)# 实例化一个大模型工具
# 不要指定max_token 并将 temperature 置为 0
llm = Moonshot(model=init.model,temperature=0,
)# 实例化一个MultiQueryRetriever
retriever_from_llm = MultiQueryRetriever.from_llm(retriever=vectorstore.as_retriever(), llm=llm)# 实例化一个RetrievalQA链
qa_chain = RetrievalQA.from_chain_type(llm,retriever=retriever_from_llm)# 5. Output 问答系统的UI实现
from flask import Flask, request, render_template
app = Flask(__name__) # Flask APP@app.route('/', methods=['GET', 'POST'])
def home():if request.method == 'POST':# 接收用户输入作为问题question = request.form.get('question')        # RetrievalQA链 - 读入问题，生成答案result = qa_chain({"query": question})# 把大模型的回答结果返回网页进行渲染return render_template('index.html', result=result)return render_template('index.html')if __name__ == "__main__":app.run(host='0.0.0.0',debug=True,port=5000)