跳到主要内容
使用 langchain-google-genai 包中的 GoogleGenerativeAIEmbeddings 类连接到 Google 的生成式 AI 嵌入服务。 这将帮助您开始使用 LangChain 的 Google 生成式 AI 嵌入模型（如 Gemini）。有关 GoogleGenerativeAIEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概览

​
集成详情

​
设置

要访问 Google 生成式 AI 嵌入模型，您需要创建一个 Google Cloud 项目，启用生成式语言 API，获取 API 密钥，并安装 langchain-google-genai 集成包。

​
凭据

要使用 Google 生成式 AI 模型，您必须拥有 API 密钥。您可以在 Google AI Studio 中创建一个。有关说明，请参阅 Google 文档。 获取密钥后，将其设置为环境变量 GOOGLE_API_KEY：
import getpass
import os

if not os.getenv("GOOGLE_API_KEY"):
    os.environ["GOOGLE_API_KEY"] = getpass.getpass("Enter your Google API key: ")
要启用模型调用的自动化跟踪，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

pip install -qU  langchain-google-genai

​
用法

from langchain_google_genai import GoogleGenerativeAIEmbeddings

embeddings = GoogleGenerativeAIEmbeddings(model="models/gemini-embedding-001")
vector = embeddings.embed_query("hello, world!")
vector[:5]

[-0.024917153641581535,
 0.012005362659692764,
 -0.003886754624545574,
 -0.05774897709488869,
 0.0020742062479257584]

​
批量处理

您还可以一次嵌入多个字符串以加快处理速度 
vectors = embeddings.embed_documents(
    [
        "Today is Monday",
        "Today is Tuesday",
        "Today is April Fools day",
    ]
)
len(vectors), len(vectors[0])

(3, 3072)

​
索引和检索

嵌入模型通常用于检索增强生成 (RAG) 流程，既作为数据索引的一部分，也用于后续检索数据。有关更详细的说明，请参阅我们的RAG 教程。 下面，我们将演示如何使用我们上面初始化的 embeddings 对象来索引和检索数据。在此示例中，我们将在 InMemoryVectorStore 中索引和检索一个示例文档。
# 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
retrieved_documents[0].page_content

'LangChain is the framework for building context-aware reasoning applications'

​
任务类型

GoogleGenerativeAIEmbeddings 可选支持 task_type，目前必须是以下之一
  • SEMANTIC_SIMILARITY：用于生成优化以评估文本相似度的嵌入。
  • CLASSIFICATION：用于生成优化以根据预设标签对文本进行分类的嵌入。
  • CLUSTERING：用于生成优化以根据相似性对文本进行聚类的嵌入。
  • RETRIEVAL_DOCUMENT、RETRIEVAL_QUERY、QUESTION_ANSWERING 和 FACT_VERIFICATION：用于生成优化以进行文档搜索或信息检索的嵌入。
  • CODE_RETRIEVAL_QUERY：用于根据自然语言查询（例如对数组排序或反转链表）检索代码块。代码块的嵌入使用 RETRIEVAL_DOCUMENT 计算。
默认情况下，我们在 embed_documents 方法中使用 RETRIEVAL_DOCUMENT，在 embed_query 方法中使用 RETRIEVAL_QUERY。如果您提供了任务类型，我们将在所有方法中使用该类型。 
pip install -qU  matplotlib scikit-learn

from langchain_google_genai import GoogleGenerativeAIEmbeddings
from sklearn.metrics.pairwise import cosine_similarity

query_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/gemini-embedding-001", task_type="RETRIEVAL_QUERY"
)
doc_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/gemini-embedding-001", task_type="RETRIEVAL_DOCUMENT"
)

q_embed = query_embeddings.embed_query("What is the capital of France?")
d_embed = doc_embeddings.embed_documents(
    ["The capital of France is Paris.", "Philipp is likes to eat pizza."]
)

for i, d in enumerate(d_embed):
    print(f"Document {i + 1}:")
    print(f"Cosine similarity with query: {cosine_similarity([q_embed], [d])[0][0]}")
    print("---")

Document 1
Cosine similarity with query: 0.7892893360164779
---
Document 2
Cosine similarity with query: 0.5438283285204146
---

​
API 参考

有关 GoogleGenerativeAIEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
额外配置

您可以将以下参数传递给 ChatGoogleGenerativeAI 以自定义 SDK 的行为
  • client_options：要传递给 Google API 客户端的 客户端选项，例如自定义的 client_options["api_endpoint"]
  • transport：要使用的传输方法，例如 rest、grpc 或 grpc_asyncio。
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.