Interfața Embeddings expune două metode fundamentale: .embed_documents(texts) (vectorizarea loturilor de documente stocate în index) și .embed_query(text) (vectorizarea întrebării utilizatorului pentru căutare cosinus).
from langchain_openai import OpenAIEmbeddings
embed_model = OpenAIEmbeddings(model="text-embedding-3-large", dimensions=1536)
vector_intrebare = embed_model.embed_query("Ce este LangGraph?")
print("Lungime vector:", len(vector_intrebare))Reducere dimensionalitate: Modelele text-embedding-3 permit setarea parametrului dimensions pentru reducerea consumului de spațiu vectorial cu pierderi minime de precizie.
Întrebări & Exemple practice:
Clasele Embeddings: OpenAIEmbeddings, Cohere și HuggingFace (.embed_query)Ai o întrebare despre Clasele Embeddings: OpenAIEmbeddings, Cohere și HuggingFace (.embed_query) sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.