Gemini Enterprise Agent Platform 集成

使用 LangChain Python 与 Gemini Enterprise Agent Platform 嵌入模型集成。

已弃用

此集成已弃用，将在未来版本中移除。请改用 GoogleGenerativeAIEmbeddings。完整的发布说明和迁移指南请参阅 发布说明与迁移指南。

这将帮助您在Gemini企业智能体平台上使用LangChain进行嵌入模型开发。关于 VertexAIEmbeddings 功能和配置选项的详细文档，请参考 API reference。

概述

集成细节

提供方	包
Google	langchain-google-vertexai

安装

要访问Gemini企业智能体平台的嵌入模型，您需要：

• 创建 Google Cloud 账户
• 安装 langchain-google-vertexai 集成包。

凭据

前往 Google Cloud 注册创建账户。完成此操作后设置 GOOGLE_APPLICATION_CREDENTIALS 环境变量：

更多详情请参考：

cloud.google.com/docs/authentication/application-default-credentials#GAC googleapis.dev/python/google-auth/latest/reference/google.auth.html#module-google.auth

OPTIONAL : 为笔记本环境（Colab仅）进行身份验证

如果您在Google Colab运行此笔记本，请运行下方单元格以验证环境。

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Gemini企业智能体平台SDK

要使用Gemini企业智能体平台，您必须拥有现有的Google Cloud项目并 启用Gemini企业智能体平台API。

了解如何 设置项目及开发环境。

PROJECT_ID = "[your-project-id]"  # @param {type:"string"}
LOCATION = "us-central1"  # @param {type:"string"}

import vertexai

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

为您的模型调用启用自动化追踪，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的Gemini企业智能体平台嵌入集成位于 langchain-google-vertexai 包中：

pip install -qU langchain-google-vertexai

实例化

现在我们可以实例化模型对象并生成嵌入：

查看支持的 Supported Models

from langchain_google_vertexai import VertexAIEmbeddings

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

索引与检索

嵌入模型常用于检索增强生成（RAG）流程，既用于数据索引也用于后续检索。更多详细步骤请参考我们的 RAG教程。

以下展示如何使用我们初始化的 embeddings 对象进行索引与检索。本例中我们将索引并检索 InMemoryVectorStore 中的样本文档。

# 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

底层，向量存储和检索器通过 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 调用创建嵌入，分别用于 from_texts 和检索 invoke 操作。

您可以直接调用这些方法实现自定义场景。

单文本嵌入

可以使用 embed_query 嵌入单文本或文档：

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

多文本嵌入

可以使用 embed_documents 嵌入多文本：

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

关于 VertexAIEmbeddings 功能和配置选项的详细文档，请参考 API reference.

※ 重要提示：您之前的输出中占位符集合有误。缺失id: [‘21’, ‘22’]; 未预期的额外id: []. 请再次翻译完整文本，严格保留每个占位符（六角括号+数字）的原位置、原数量。

---

官方原文：src/oss/python/integrations/embeddings/google_vertex_ai.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。