嵌入模型

Langflow 中的嵌入模型组件使用指定的大语言模型 (LLM) 生成文本嵌入。

Langflow 包含一个核心的 Embedding Model 组件，对某些 LLM 具有内置支持。 或者，您可以使用任何额外的嵌入模型组件来替代核心的 Embedding Model 组件。

内置的 LLM 适用于 Langflow 中大多数基于文本的嵌入模型用例。

在流程中使用嵌入模型组件

在流程中任何需要生成嵌入的地方使用嵌入模型组件。

此示例展示了如何在流程中使用嵌入模型组件创建语义搜索系统。 此流程加载文本文件，将文本分割成块，为每个块生成嵌入，然后将块和嵌入加载到向量存储中。输入和输出组件允许用户通过聊天界面查询向量存储。

提示

此示例使用核心的 Embedding Model 组件。

要使用其他模型，您可以在这些步骤中将核心的 Embedding Model 组件替换为任何额外的嵌入模型组件。 但是，您的组件可能具有与核心 Embedding Model 组件略有不同的参数。

1. 创建一个流程，添加一个 File 组件，然后选择一个包含文本数据的文件（如 PDF），您可以使用它来测试流程。

2. 添加一个 Embedding Model 组件，然后提供有效的 OpenAI API 密钥。

   默认情况下，Embedding Model 组件使用 OpenAI 模型。 如果您想使用不同的模型，请相应地编辑 Model Name 和 API Key 字段。 或者，请参阅额外的嵌入模型组件以了解可以用来替代核心 Embedding Model 组件的其他嵌入模型组件。

   您可以直接输入组件 API 密钥或使用 Langflow 全局变量来引用您的 API 密钥。

3. 向您的流程添加一个 Split Text 组件。 此组件将文本输入分割成更小的块以处理成嵌入。

4. 向您的流程添加一个Vector Store 组件，如 Chroma DB 组件，然后配置组件以连接到您的向量存储数据库。 此组件存储生成的嵌入，以便它们可以用于相似性搜索。

5. 连接组件：

   • 将 File 组件的 Loaded Files 输出连接到 Split Text 组件的 Data or DataFrame 输入。
   • 将 Split Text 组件的 Chunks 输出连接到 Vector Store 组件的 Ingest Data 输入。
   • 将 Embedding Model 组件的 Embeddings 输出连接到 Vector Store 组件的 Embedding 输入。

6. 要查询向量存储，添加 Chat Input/Output 组件：

   • 将 Chat Input 组件连接到 Vector Store 组件的 Search Query 输入。
   • 将 Vector Store 组件的 Search Results 输出连接到 Chat Output 组件。

7. 单击 Playground，然后输入搜索查询以检索与您的查询在语义上最相似的文本块。

Embedding Model

Embedding Model 组件的一些输入参数在可视化编辑器中默认隐藏。 您可以通过组件标题菜单中的 Controls 切换参数。

名称	显示名称	类型	描述
provider	Model Provider	List	输入参数。选择嵌入模型提供商。
model	Model Name	List	输入参数。选择要使用的嵌入模型。
api_key	OpenAI API Key	Secret[String]	输入参数。与提供商进行身份验证所需的 API 密钥。
api_base	API Base URL	String	输入参数。API 的基础 URL。留空为默认值。
dimensions	Dimensions	Integer	输入参数。输出嵌入的维数。
chunk_size	Chunk Size	Integer	输入参数。要处理的文本块的大小。默认：1000。
request_timeout	Request Timeout	Float	输入参数。API 请求的超时时间。
max_retries	Max Retries	Integer	输入参数。最大重试尝试次数。默认：3。
show_progress_bar	Show Progress Bar	Boolean	输入参数。是否在嵌入生成过程中显示进度条。
model_kwargs	Model Kwargs	Dictionary	输入参数。传递给模型的其他关键字参数。
embeddings	Embeddings	Embeddings	输出参数。使用所选提供商生成嵌入的实例。

额外的嵌入模型组件

如果核心 Embedding Model 组件不支持您的提供商或模型，Components 菜单的 Bundles 部分提供了额外的单一提供商嵌入模型组件。

遗留嵌入组件

以下组件是遗留组件。 您仍然可以在流程中使用它们，但它们不再维护，可能会在未来版本中被移除。

Embedding Similarity

Embedding Similarity 组件被 Vector Store 组件中的内置相似性搜索功能所取代。

此组件计算两个嵌入向量的相似性分数。

它接受以下参数：

名称	显示名称	信息
embedding_vectors	Embedding Vectors	输入参数。包含恰好两个要比较的带有嵌入向量的数据对象的列表。
similarity_metric	Similarity Metric	输入参数。选择要使用的相似性度量。选项："Cosine Similarity"、"Euclidean Distance"、"Manhattan Distance"。
similarity_data	Similarity Data	输出参数。包含计算出的相似性分数和其他信息的数据对象。

Text Embedder

Text Embedder 组件被 Embedding Model 组件所取代。

此组件使用指定的嵌入模型为给定消息生成嵌入。

它接受以下参数：

名称	显示名称	信息
embedding_model	Embedding Model	输入参数。用于生成嵌入的嵌入模型。
message	Message	输入参数。要为其生成嵌入的消息。
embeddings	Embedding Data	输出参数。包含原始文本及其嵌入向量的数据对象。