跳到主要内容
这将帮助您开始使用 LangChain 的 Ollama 嵌入模型。有关 OllamaEmbeddings 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

首先，请遵循这些说明来设置和运行本地 Ollama 实例
  • 下载并将 Ollama 安装到支持的平台（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，使用 brew install ollama，然后通过 brew services start ollama 启动
  • 通过 ollama pull <name-of-model> 获取可用的 LLM 模型
    • 通过模型库查看可用模型列表
    • 例如，ollama pull llama3
  • 这将下载模型的默认标记版本。通常，默认指向最新、参数量最小的模型。
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
  • 指定您感兴趣的模型的确切版本，例如 ollama pull vicuna:13b-v1.5-16k-q4_0（在此实例中查看 Vicuna 模型的各种标签）
  • 要查看所有已拉取模型，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>
  • 有关更多命令，请参阅 Ollama 文档。您可以在终端中运行 ollama help 以查看可用命令。
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 Ollama 集成位于 langchain-ollama 包中 
pip install -qU langchain-ollama

Note: you may need to restart the kernel to use updated packages.

​
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",
)

​
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
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

[-0.0039849705, 0.023019705, -0.001768838, -0.0058736936, 0.00040999008, 0.017861595, -0.011274585,

​
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

[-0.0039849705, 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 OllamaEmbeddings 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.