LangChain 嵌入模型入门：从概念到代码实战

本文适合 LangChain 初学者，用最直白的语言讲清楚嵌入模型是什么、怎么用，以及 RAG 检索的完整流程。

---

一、什么是嵌入模型？

嵌入模型（Embedding Model）的作用是把文字变成向量，让计算机能计算两段文字之间的语义相似度。

"苹果手机" → [0.12, -0.83, 0.45, ...]  ← 1536 个数字
"iPhone"   → [0.11, -0.81, 0.43, ...]  ← 两个向量很接近 → 语义相似
"香蕉"     → [-0.6,  0.22, 0.91, ...]  ← 差很远 → 语义无关

这串数字叫向量，数字的个数叫维度。维度越多，语义描述越精细，但计算成本也越高。

---

二、两个核心方法

在 LangChain 里，嵌入模型只有两个方法需要记：

方法	用途	输入	输出
embed_query()	嵌入用户问题	单个字符串	一个向量
embed_documents()	嵌入知识库文档	字符串列表	向量列表

from langchain_huggingface import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(
    model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
)

# 嵌入单个查询（用户提问）
query_vec = embeddings.embed_query("我的订单到哪了")

# 嵌入一批文档（知识库内容）
doc_vecs = embeddings.embed_documents([
    "ORD-001 已发货，预计明天到达",
    "退款政策：7天无理由退换",
    "客服热线：400-888-8888",
])

print(len(query_vec))  # 384（该模型的向量维度）

---

三、RAG 完整流程实战

RAG（检索增强生成）分两个阶段：

【建库阶段（一次性）】  文档 → 切片 → Embedding → 存向量库
【查询阶段（每次请求）】 用户提问 → Embedding → 检索相似片段 → 返回结果

完整代码

import os
from dotenv import load_dotenv
from langchain_community.vectorstores import FAISS
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

load_dotenv()

# 1. 准备知识库文档
docs = [
    "ORD-001 已发货，预计明天到达",
    "退款政策：收到商品7天内可无理由退换",
    "客服热线 400-888-8888，工作时间 9:00-21:00",
]

# 2. 切分长文档（每块不超过500字符）
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50,   # 块间重叠，防止语义被截断
)
chunks = splitter.create_documents(docs)

# 3. 向量化 + 存入向量库
embeddings = HuggingFaceEmbeddings(
    model_name="sentence-transformers/all-MiniLM-L6-v2"
)
vectorstore = FAISS.from_documents(chunks, embeddings)

# 4. 检索：找最相似的3条（附带相似度分数）
results = vectorstore.similarity_search_with_score("退款怎么申请？", k=3)

for doc, score in results:
    print(f"相似度: {score:.4f} | {doc.page_content}")

输出结果

相似度: 1.0089 | 客服热线 400-888-8888，工作时间 9:00-21:00
相似度: 1.0160 | 退款政策：收到商品7天内可无理由退换
相似度: 1.1837 | ORD-001 已发货，预计明天到达

注意：FAISS 默认返回的是 L2 距离（欧氏距离），分数越小表示越相似，和余弦相似度的高分=相似刚好相反，不要搞混。

---

四、相似度是什么？

相似度就是两段文字在语义上有多像，用数字表示：

1.00  完全一样       "退款申请"  vs  "退款申请"
0.90  几乎同义       "退款申请"  vs  "我要退钱"
0.75  相关但不同     "退款申请"  vs  "售后服务"
0.50  有点关系       "退款申请"  vs  "订单查询"
0.20  基本无关       "退款申请"  vs  "今天天气"

向量库做 similarity_search 时，内部会对所有文档计算相似度，返回分数最高的 k 条：

# 向量库内部做的事：
# "退款政策7天无理由" → 相似度 0.91  ✅ 返回
# "物流配送时间"      → 相似度 0.43  ✗  不返回
# "客服电话400"       → 相似度 0.38  ✗  不返回

---

五、联网模型 vs 本地模型

LangChain 设计最爽的地方：两种模型接口完全一样，换模型只改一行。

# 联网版（OpenAI，按 token 收费）
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# 本地版（HuggingFace，完全免费，数据不出门）
from langchain_huggingface import HuggingFaceEmbeddings
embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-large-zh-v1.5")

# 后面这段代码两种方式完全一样，不需要改
vectorstore = FAISS.from_documents(chunks, embeddings)
results = vectorstore.similarity_search("用户问题", k=3)

对比项	联网（OpenAI）	本地（HuggingFace）
费用	按 token 计费	免费
数据隐私	数据发送到外部	数据不出本机
中文效果	一般	bge-large-zh 更好
部署难度	开箱即用	需下载模型（几百MB）

---

六、向量维度怎么选？

学习练习     → text-embedding-3-small（1536维）
中文项目     → BAAI/bge-large-zh-v1.5（1024维）
数据量大     → BAAI/bge-small-zh-v1.5（512维）
高精度需求   → text-embedding-3-large（3072维）

重要原则：建库和查询必须用同一个模型，维度不一致会直接报错。

# ✅ 正确：始终用同一个 embeddings 对象
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = FAISS.from_documents(chunks, embeddings)
results = vectorstore.similarity_search("问题", k=3)
# similarity_search 内部自动复用同一个 embeddings

---

七、安装依赖

# 本地模型
pip install langchain-huggingface sentence-transformers faiss-cpu langchain-text-splitters

# OpenAI 模型
pip install langchain-openai faiss-cpu langchain-text-splitters

---

总结

知识点	一句话记忆
嵌入模型	把文字变成向量，用来计算语义相似度
embed_query vs embed_documents	前者嵌入单个问题，后者嵌入一批文档
chunk_overlap	块间重叠，防止语义在切割处断裂
FAISS 分数	越小越相似（L2距离，不是余弦）
建库和查询	必须用同一个模型，维度要一致
本地 vs 联网	数据敏感用本地，快速开发用联网

---

如果觉得有帮助，欢迎点赞收藏～