Skip to main content

Documentation Index

Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt

Use this file to discover all available pages before exploring further.

本文将帮助您开始使用 LangChain 集成 Google Generative AI 嵌入模型。有关 GoogleGenerativeAIEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概述

gemini-embedding-2-preview 原生支持通过 Google GenAI SDK 的 embed_content() API 处理文本、图像、视频、音频和 PDF 输入。然而，LangChain 的 Embeddings 接口（embed_query / embed_documents）目前仅接受文本输入。LangChain 中的多模态嵌入支持计划在未来的版本中提供。对于当前的多模态用例，请直接使用 Google GenAI SDK。

​
集成详情

​
设置

要访问 Google Gemini 嵌入模型，您需要创建一个 Google Cloud 项目、启用 Generative Language API、获取 API 密钥，并安装 langchain-google-genai 集成包。

​
凭证

前往 Google AI Studio 注册并生成 API 密钥。更多详情请参阅 Gemini API 密钥文档。完成后，设置 GOOGLE_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("GOOGLE_API_KEY"):
    os.environ["GOOGLE_API_KEY"] = getpass.getpass("输入您的 Google API 密钥：")
要启用模型调用的自动追踪，请设置您的 LangSmith API 密钥： 
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("输入您的 LangSmith API 密钥：")

​
安装

LangChain Google Generative AI 集成位于 langchain-google-genai 包中： 
pip install -qU langchain-google-genai

​
实例化

现在我们可以实例化模型对象并生成嵌入向量： 
from langchain_google_genai import GoogleGenerativeAIEmbeddings

embeddings = GoogleGenerativeAIEmbeddings(model="gemini-embedding-2-preview")
vector = embeddings.embed_query("hello, world!")
vector[:5]

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

​
降维

gemini-embedding-2-preview 通过 Matryoshka Representation Learning (MRL) 支持灵活的输出版本维度。您可以降低维度以优化存储和延迟： 
embeddings = GoogleGenerativeAIEmbeddings(
    model="gemini-embedding-2-preview",
    output_dimensionality=768,  # 建议值：768、1536 或 3072（默认）
)
vector = embeddings.embed_query("hello, world!")
len(vector)

768

​
批量处理

您也可以一次性嵌入多个字符串以提升处理速度： 
vectors = embeddings.embed_documents(
    [
        "Today is Monday",
        "Today is Tuesday",
        "Today is April Fools day",
    ]
)
len(vectors), len(vectors[0])

(3, 768)

​
索引与检索

嵌入模型通常用于检索增强生成 (RAG) 流程中，既用于索引数据，也用于后续检索。更详细的说明请参阅我们的 RAG 教程。 下面展示如何使用上面初始化的 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。 
# 使用示例文本创建向量存储
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

# 将向量存储用作检索器
retriever = vectorstore.as_retriever()

# 检索最相似的文本
retrieved_documents = retriever.invoke("What is LangChain?")

# 显示检索到的文档内容
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，当前必须是以下之一：
  • SEMANTIC_SIMILARITY：用于生成优化以评估文本相似性的嵌入向量。
  • CLASSIFICATION：用于生成优化以根据预设标签对文本进行分类的嵌入向量。
  • CLUSTERING：用于生成优化以基于相似性对文本进行聚类的嵌入向量。
  • RETRIEVAL_DOCUMENT、RETRIEVAL_QUERY、QUESTION_ANSWERING 和 FACT_VERIFICATION：用于生成优化用于文档搜索或信息检索的嵌入向量。
  • CODE_RETRIEVAL_QUERY：用于基于自然语言查询（如对数组排序或反转链表）检索代码块。代码块的嵌入向量使用 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="gemini-embedding-2-preview", task_type="RETRIEVAL_QUERY"
)
doc_embeddings = GoogleGenerativeAIEmbeddings(
    model="gemini-embedding-2-preview", 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 likes to eat pizza."]
)

for i, d in enumerate(d_embed):
    print(f"文档 {i + 1}:")
    print(f"与查询的余弦相似度: {cosine_similarity([q_embed], [d])[0][0]}")
    print("---")

文档 1:
与查询的余弦相似度: 0.7892893360164779
---
文档 2:
与查询的余弦相似度: 0.5438283285204146
---

​
额外配置

您可以向 GoogleGenerativeAIEmbeddings 传递以下参数以自定义 SDK 的行为：
  • base_url：API 客户端的自定义基础 URL（例如，自定义端点）
  • output_dimensionality：降低返回嵌入向量的维度（例如，output_dimensionality=256）
  • request_options：请求选项字典（例如，{"timeout": 10}）
  • additional_headers：在 API 请求中包含的额外 HTTP 头
  • client_args：传递给底层 HTTP 客户端的额外参数

​
API 参考

有关 GoogleGenerativeAIEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.