企业官网建设流程全解析

纲要

• 嵌入模型的核心作用
  • 将非结构化文本转化为高维向量坐标
  • 支撑语义相似度检索，是 RAG 的基石
• LangChain 嵌入模型接口
  • 统一封装：embed_documents与embed_query
  • 主流模型接入：OpenAI、Ollama、BGE、质谱等
• 嵌入缓存机制
  • 原理：避免重复向量化，降低 API 调用成本
  • 实现：CacheBackedEmbeddings+ 本地文件存储
• 国产嵌入模型集成
  • 以硅基流动平台的 BGE‑M3 为例
  • 配置代理地址与 API Key，无缝切换
• 完整可运行代码：使用FakeEmbeddings演示嵌入、缓存与检索，无需任何外部 Key

引言

在 RAG 流水线中，文档经过加载和切片之后，必须被转换成一种机器可以理解的数学形式——向量。嵌入模型就是将文本映射为高维空间中的坐标，使得语义相近的文本在空间中彼此靠近。LangChain 为这些模型提供了统一的调用方式，并内置缓存来优化重复嵌入的性能与成本。本文将通过可运行的代码，展示如何在 LangChain 中使用嵌入模型，并接入国产模型。

嵌入模型的工作原理

嵌入模型本质上是一个“翻译器”：输入一句话（如“今天天气怎么样？”），输出一个固定长度的数字数组（向量）。语义相近的句子生成的向量距离更近，反之则更远。在 RAG 系统中，嵌入模型承担两项任务：

1. 入库：将知识库中的文档片段逐一向量化，存入向量数据库。
2. 检索：将用户查询向量化，在数据库中搜索距离最近的 Top‑K 个片段。

LangChain 中的嵌入模型实现

所有嵌入模型都实现两个核心方法：

• embed_documents(texts: List[str])：批量嵌入文档。
• embed_query(text: str)：嵌入单个查询。

常用嵌入模型一览

选型注意事项：

• 入库和检索必须使用同一个嵌入模型，且向量数据库的维度需与模型一致。
• 中文应用优先选择专门优化中文的模型；混合语言场景则用多语言模型。
• 非本地运行的嵌入模型按 token 计费，合理使用缓存可大幅降低成本。

缓存机制

同一段文本通过同一嵌入模型得到的向量始终不变。LangChain 提供了CacheBackedEmbeddings，可将向量缓存到本地文件或 Redis，再次嵌入时直接读取，避免重复计算。

完整可运行代码

以下代码使用FakeEmbeddings模拟嵌入过程，并演示缓存的效果。无需任何 API Key，可直接在本地运行。

安装依赖：

pipinstalllangchain langchain-core langchain-community chromadb

核心代码：

fromlangchain_community.embeddings.fakeimportFakeEmbeddingsfromlangchain_community.vectorstoresimportChromafromlangchain_core.documentsimportDocumentfromlangchain.embeddingsimportCacheBackedEmbeddingsfromlangchain.storageimportLocalFileStoreimporttime# 1. 准备文档docs=[Document(page_content="智能温控水杯支持手机 App 远程控温。"),Document(page_content="产品续航 48 小时，采用 316 不锈钢内胆。"),Document(page_content="充电时请使用 5V/2A 适配器。"),]base_embeddings=FakeEmbeddings(size=128)# 2. 无缓存嵌入start=time.time()Chroma.from_documents(docs,base_embeddings,collection_name="no_cache")print(f"无缓存嵌入耗时：{time.time()-start:.4f}秒")# 3. 带缓存嵌入store=LocalFileStore("./embedding_cache/")cached_embeddings=CacheBackedEmbeddings.from_bytes_store(base_embeddings,store,namespace="test")start=time.time()Chroma.from_documents(docs,cached_embeddings,collection_name="cached")print(f"首次嵌入（填充缓存）耗时：{time.time()-start:.4f}秒")# 4. 再次嵌入相同文档（命中缓存）start=time.time()Chroma.from_documents(docs,cached_embeddings,collection_name="cached2")print(f"再次嵌入（命中缓存）耗时：{time.time()-start:.4f}秒")# 5. 检索测试query="如何给水杯充电？"vectorstore=Chroma(docs,cached_embeddings)result=vectorstore.similarity_search(query,k=1)print(f"检索结果：{result[0].page_content}")

运行后可以观察到第二次嵌入的耗时显著减少，验证了缓存机制的效果。

国产嵌入模型集成示例

以硅基流动平台的 BGE‑M3 为例，它完全兼容 OpenAI 的 API 格式，只需修改模型名、API Key 和 Base URL 即可接入。

fromlangchain_openaiimportOpenAIEmbeddings embeddings=OpenAIEmbeddings(model="BAAI/bge-m3",openai_api_key="your_api_key",# 替换为实际 Keyopenai_api_base="https://api.siliconflow.cn/v1"# 平台代理地址)vectors=embeddings.embed_documents(["智能温控水杯","明天天气"])print(f"向量维度：{len(vectors[0])}")# 输出 1024

总结

嵌入模型是连接文本与向量计算的桥梁，也是 RAG 检索质量的决定性因素之一。LangChain 通过embed_documents和embed_query两个方法统一了调用接口，配合缓存机制可有效控制成本。

无论是使用 OpenAI 还是国产 BGE 系列，掌握好嵌入模型的选型和接入方式，就能为你的 RAG 应用打下坚实基础。