Elasticsearch 集成

使用 LangChain Python 与 Elasticsearch 嵌入模型进行集成。

通过托管在 Elasticsearch 中的嵌入模型生成嵌入向量的操作指南

实例化 ElasticsearchEmbeddings 类最简单的方式是：

• 如果使用 Elastic Cloud，则使用 from_credentials 构造函数
• 或者使用 from_es_connection 构造函数连接任意 Elasticsearch 集群

!pip -q install langchain-elasticsearch

from langchain_elasticsearch import ElasticsearchEmbeddings

# 定义模型 ID
model_id = "your_model_id"

使用 from_credentials 进行测试

这需要 Elastic Cloud 的 cloud_id

# 使用凭据实例化 ElasticsearchEmbeddings
embeddings = ElasticsearchEmbeddings.from_credentials(
    model_id,
    es_cloud_id="your_cloud_id",
    es_user="your_user",
    es_password="your_password",
)

# 为多个文档创建嵌入向量
documents = [
    "这是一个示例文档。",
    "另一个用于生成嵌入向量的示例文档。",
]
document_embeddings = embeddings.embed_documents(documents)

# 打印文档嵌入向量
for i, embedding in enumerate(document_embeddings):
    print(f"文档 {i + 1} 的嵌入向量: {embedding}")

# 为单个查询创建嵌入向量
query = "这是一个单独的查询。"
query_embedding = embeddings.embed_query(query)

# 打印查询嵌入向量
print(f"查询的嵌入向量: {query_embedding}")

使用现有的 Elasticsearch 客户端连接进行测试

这可用于任何 Elasticsearch 部署

# 创建 Elasticsearch 连接
from elasticsearch import Elasticsearch

es_connection = Elasticsearch(
    hosts=["https://es_cluster_url:port"], basic_auth=("user", "password")
)

# 使用 es_connection 实例化 ElasticsearchEmbeddings
embeddings = ElasticsearchEmbeddings.from_es_connection(
    model_id,
    es_connection,
)

# 为多个文档创建嵌入向量
documents = [
    "这是一个示例文档。",
    "另一个用于生成嵌入向量的示例文档。",
]
document_embeddings = embeddings.embed_documents(documents)

# 打印文档嵌入向量
for i, embedding in enumerate(document_embeddings):
    print(f"文档 {i + 1} 的嵌入向量: {embedding}")

# 为单个查询创建嵌入向量
query = "这是一个单独的查询。"
query_embedding = embeddings.embed_query(query)

# 打印查询嵌入向量
print(f"查询的嵌入向量: {query_embedding}")

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.