Oracle AI 数据库支持通过以下方式查询数据的 AI 工作负载 **语义** （语义），而不仅仅是关键词。它结合了 **对非结构化内容的语义搜索** 与 **对业务数据的关联过滤** 在单一系统中——这样您就可以构建检索工作流（如 RAG），而无需引入单独的向量数据库和在多个平台之间分散数据。

本指南演示如何使用以下方式为您的内容生成嵌入 OracleEmbeddings.

> **为什么在 Oracle 中（或通过 Oracle）生成嵌入？** > 您可以将数据治理和运维保障（安全、事务、可用性）保留在您的 AI 工作流附近——同时选择适合您环境的嵌入提供程序模型。

概览

集成详情

设置

要使用 OracleEmbeddings，请安装 @oracle/langchain-oracledb 辅助工具（以及 @langchain/core），并确保满足您系统的 Oracle 数据库驱动程序先决条件。

凭证

导出 Oracle 用户的凭证（或从您的密钥管理器加载），该用户拥有您的向量表和 ONNX 模型。

如果您计划调用第三方提供商（例如 OCI Generative AI 或 Hugging Face），您必须先在 Oracle Database 中创建凭证。请参阅 Oracle AI 向量搜索指南 for the PL/SQL helper procedures.

安装

npm install @oracle/langchain-oracledb @langchain/core

yarn add @oracle/langchain-oracledb @langchain/core

pnpm add @oracle/langchain-oracledb @langchain/core

实例化嵌入

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",
});

// Close the connection (or pool) when you are done to avoid leaking resources.
// 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 Database 中运行 ONNX 模型

Oracle Database 支持多种嵌入提供商，使用户能够在数据库原生解决方案和 OCIGENAI、HuggingFace 等第三方服务之间进行选择。这一选择决定了嵌入的生成和管理方式。

***重要*** ：如果用户选择数据库选项，则必须将 ONNX 模型上传到 Oracle Database。相反，如果选择第三方提供商进行嵌入生成，则无需将 ONNX 模型上传到 Oracle Database。

在 Oracle 中直接使用 ONNX 模型的一个显著优势是，由于无需将数据发送到外部各方，因此提供了增强的安全性和性能。此外，这种方法还避免了与网络或 REST API 调用相关的延迟。

以下是用于将 ONNX 模型上传到 Oracle Database 的示例代码：

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(
  "Summarize hybrid search patterns in Oracle Database.",
);
console.log(singleVector.length);

调用托管嵌入提供商

切换 provider 以通过 OCI Generative AI 或 Hugging Face 路由嵌入请求。提供您使用 Oracle 的 DBMS_VECTOR_CHAIN 辅助工具创建的凭证名称，如果需要的话，还可以提供代理。

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",
});

// Clean up when finished:
// await connection.close();

嵌入文档以供检索

使用相同的嵌入实例来准备内容，以便在 Oracle Database 中进行向量存储或混合检索。

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(`Generated ${vectors.length} vectors`);

后续步骤

• - 使用以下方式存储嵌入 OracleVS 进行混合搜索
• - 使用以下方式总结文档 OracleSummary

API 参考

有关所有 OracleEmbeddings 选项的详细文档，请访问 Oracle LangChain Oracle DB 存储库.