OllamaEmbeddings 集成

使用 LangChain Python 集成 OllamaEmbeddings 嵌入模型。

这将帮助您使用LangChain启动Ollama嵌入模型。关于 OllamaEmbeddings 功能和配置选项的详细文档，请参考 API reference。

概述

集成细节

配置

首先，按照 这些说明 设置并运行本地Ollama实例：

• 下载 并安装Ollama到支持的平台上（包括Windows Subsystem for Linux即WSL、macOS和Linux）
  • macOS用户可通过Homebrew使用 brew install ollama 安装并启动 brew services start ollama
• 通过 ollama pull <name-of-model> 获取可用LLM模型
  • 通过 模型库 查看可用模型列表
  • 例如 ollama pull llama3
• 此操作会下载模型的默认版本。通常默认指向最新且参数最少的模型。

在Mac上，模型将下载到 ~/.ollama/models

在Linux（或WSL）上，模型存储于 /usr/share/ollama/.ollama/models

• 指定目标模型的精确版本格式 ollama pull vicuna:13b-v1.5-16k-q4_0（查看此实例中 Vicuna 模型的 各种标签）
• 使用 ollama list 查看已拉取的模型
• 通过 ollama run <name-of-model> 从命令行直接与模型对话 *更多信息请参考 Ollama文档，在终端运行 ollama help 可查看可用命令。

要启用模型调用的自动化追踪，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Ollama集成位于 langchain-ollama 包中：

pip install -qU langchain-ollama

实例化

现在可以实例化模型对象并生成嵌入：

from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
    model="llama3",
)

如果模型支持输出维度配置（例如 qwen3-embedding），可通过 dimensions 参数指定：

from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(
    model="qwen3-embedding:8b",
    dimensions=1024,
)

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。

以下展示如何使用之前初始化的 embeddings 对象进行索引与检索。本例将索引并检索 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
print(retrieved_documents[0].page_content)

LangChain is the framework for building context-aware reasoning applications

直接使用

底层中，向量存储和检索器通过 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 分别为 from_texts 和检索 invoke 操作生成嵌入。

您可直接调用这些方法实现自定义场景的嵌入生成。

单文本嵌入

可通过 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

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

多文本嵌入

可通过 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

[-0.0039849705, 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

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

---

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