企业官网建设流程全解析

深圳盐田网站建设,漂亮的门户网站,一键安装微信,泉州做网站由于目前Langchain还无法实现直接调用Qwen3-Embedding模型 #xff0c;所以仿造huggingface.py中的HuggingFaceEmbeddings(BaseModel, Embeddings)​​​​​​函数​#xff0c;自定义实现 LangChain 标准的 Embeddings 接口#xff0c;将通义千问的 Qwen3-Embedding 模型所以仿造huggingface.py中的HuggingFaceEmbeddings(BaseModel, Embeddings)​​​​​​函数​自定义实现 LangChain 标准的 Embeddings 接口将通义千问的 Qwen3-Embedding 模型Qwen/Qwen3-Embedding-0.6B整合到 LangChain 生态中让该模型可以直接用于 LangChain 的向量数据库、检索增强RAG等场景。from langchain_core.embeddings import Embeddings from sentence_transformers import SentenceTransformer class CustomQwen3Embeddings(Embeddings): 定义一个Qwen3的Embedding和langchain整合的类 def __init__(self,model_name): self.qwen3_embedding SentenceTransformer(model_name) #输入的问题向量化 def embed_query(self, text: str) - list[float]: return self.embed_documents([text])[0] #文本内容向量化 def embed_documents(self, texts: list[str]) - list[list[float]]: return self.qwen3_embedding.encode(texts) if __name__ __main__: qwen3CustomQwen3Embeddings(Qwen/Qwen3-Embedding-0.6B) respqwen3.embed_documents( [I like large language models, 今天的天气不错] ) print(resp[0]) print(len(resp[0]))输出