以编程方式使用文档

这将帮助您开始使用 LangChain 与 Ollama 嵌入模型。如需详细文档 OllamaEmbeddings 功能和配置选项，请参阅 API 参考.

概述

集成详情

设置

首先，请按照 这些说明 设置并运行本地 Ollama 实例：

  • * 下载 并安装 Ollama 到可用的支持平台（包括适用于 Linux 的 Windows 子系统又称 WSL、macOS 和 Linux）
  • * macOS 用户可以通过 Homebrew 安装 brew install ollama 并使用以下命令启动 brew services start ollama
  • * 通过以下命令获取可用的 LLM 模型 ollama pull <name-of-model>
  • * 通过以下方式查看可用模型列表 模型库
  • * e.g., ollama pull llama3
  • * 这将下载模型的默认标记版本。通常，默认指向最新的最小参数模型。

> 在 Mac 上，模型将下载到 ~/.ollama/models > > 在 Linux（或 WSL）上，模型将存储在 /usr/share/ollama/.ollama/models

  • * 按以下方式指定感兴趣模型的确切版本 ollama pull vicuna:13b-v1.5-16k-q4_0 （查看 的各个标签 Vicuna 在此实例中）
  • * 要查看所有已拉取的模型，请使用 ollama list
  • * 要直接从命令行与模型聊天，请使用 ollama run <name-of-model>
  • * 查看 Ollama 文档 了解更多命令。您可以在终端中运行 ollama help 查看可用命令。

要启用模型调用的自动跟踪，请设置您的 LangSmith API 密钥：

os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain Ollama 集成位于 langchain-ollama package:

pip install -qU langchain-ollama

实例化

现在我们可以实例化模型对象并生成嵌入：

from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
    model="llama3",
)

如果您的模型支持可配置输出维度（例如， qwen3-embedding），您可以通过以下方式指定 dimensions parameter:

from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
    model="qwen3-embedding:8b",
    dimensions=1024,
)

索引和检索

嵌入模型常用于检索增强生成（RAG）流程中，既作为索引数据的一部分，也用于后续检索。如需更详细的说明，请参阅我们的 RAG 教程.

下文展示了如何使用 embeddings 对象进行数据索引和检索。在本例中，我们将对 InMemoryVectorStore.

# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

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

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# Show the retrieved document's content
print(retrieved_documents[0].page_content)
LangChain is the framework for building context-aware reasoning applications

直接使用

在底层，向量存储和检索器的实现正在调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 中使用的文本创建嵌入，并在检索中使用 invoke 分别为这些操作。

您可以直接调用这些方法来获取嵌入向量以满足您的使用场景。

嵌入单个文本

您可以使用以下方式嵌入单个文本或文档 embed_query:

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector
[-0.0039849705, 0.023019705, -0.001768838, -0.0058736936, 0.00040999008, 0.017861595, -0.011274585,

嵌入多个文本

您可以使用以下方式嵌入多个文本 embed_documents:

text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector
[-0.0039849705, 0.023019705, -0.001768838, -0.0058736936, 0.00040999008, 0.017861595, -0.011274585,
[-0.0066985516, 0.009878328, 0.008019467, -0.009384944, -0.029560851, 0.025744654, 0.004872892, -0.0

API 参考

有关详细文档 OllamaEmbeddings 功能和配置选项，请参阅 API 参考.