跳到主要内容
这将帮助您开始使用 LangChain 的 Google Vertex AI Embeddings 模型。有关 Google Vertex AI Embeddings 功能和配置选项的详细文档，请参阅API 参考。

​
概览

​
集成详情

提供商包
Googlelangchain-google-vertexai

​
设置

要访问 Google Vertex AI Embeddings 模型，您需要：
  • 创建一个 Google Cloud 帐户
  • 安装 langchain-google-vertexai 集成包。

​
凭据

前往 Google Cloud 注册并创建帐户。完成此操作后，设置 GOOGLE_APPLICATION_CREDENTIALS 环境变量： 有关更多信息，请参阅： cloud.google.com/docs/authentication/application-default-credentials#GAC googleapis.dev/python/google-auth/latest/reference/google.auth.html#module-google.auth 可选：验证您的 Notebook 环境（仅限 Colab） 如果您在 Google Colab 上运行此 Notebook，请运行以下单元格以验证您的环境。
import sys

if "google.colab" in sys.modules:
    from google.colab import auth

    auth.authenticate_user()
设置 Google Cloud 项目信息并初始化 Vertex AI SDK 要开始使用 Vertex AI，您必须拥有现有的 Google Cloud 项目并启用 Vertex AI API。 了解更多关于设置项目和开发环境的信息。
PROJECT_ID = "[your-project-id]"  # @param {type:"string"}
LOCATION = "us-central1"  # @param {type:"string"}

import vertexai

vertexai.init(project=PROJECT_ID, location=LOCATION)
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

LangChain Google Vertex AI Embeddings 集成位于 langchain-google-vertexai 包中 
pip install -qU langchain-google-vertexai

​
实例化

现在我们可以实例化我们的模型对象并生成嵌入
查看支持的模型列表 
from langchain_google_vertexai import VertexAIEmbeddings

# Initialize the a specific Embeddings Model version
embeddings = VertexAIEmbeddings(model_name="gemini-embedding-001")

​
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'

​
直接使用

在底层，向量存储和检索器实现正在调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 分别为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。 您可以直接调用这些方法来为自己的用例获取嵌入。

​
嵌入单个文本

您可以使用 embed_query 嵌入单个文本或文档 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[-0.02831101417541504, 0.022063178941607475, -0.07454229146242142, 0.006448323838412762, 0.001955120

​
嵌入多个文本

您可以使用 embed_documents 嵌入多个文本 
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

[-0.01092718355357647, 0.01213780976831913, -0.05650627985596657, 0.006737854331731796, 0.0085973171
[0.010135706514120102, 0.01234869472682476, -0.07284046709537506, 0.00027134662377648056, 0.01546290

​
API 参考

有关 Google Vertex AI Embeddings 功能和配置选项的详细文档，请参阅API 参考。
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.