本文介绍如何通过大模型服务平台百炼将文本转换为向量,并入库至向量检索服务DashVector中进行向量检索。
前提条件
- DashVector: - 已创建Cluster:创建Cluster 
- 已获得API-KEY:API-KEY管理 
- 已安装最新版SDK:安装DashVector SDK 
 
- 百炼: - 已开通服务并获得API-KEY:获取API Key和配置API Key到环境变量 
- 已安装最新版SDK:安装SDK 
 
通用文本向量
简介
通用文本向量,是通义实验室基于LLM底座的多语言文本统一向量模型,面向全球多个主流语种,提供高水准的向量服务,帮助开发者将文本数据快速转换为高质量的向量数据。
| 模型名称 | 向量维度 | 度量方式 | 向量数据类型 | 备注 | 
| text-embedding-v1 | 1536 | Cosine | Float32 | 
 | 
| text-embedding-v2 | 1536 | Cosine | Float32 | 
 | 
说明 
关于百炼通用文本向量更多信息请参考:通用文本向量。
使用示例
说明 
需要进行如下替换代码才能正常运行:
- DashVector api-key替换示例中的{your-dashvector-api-key} 
- DashVector Cluster Endpoint替换示例中的{your-dashvector-cluster-endpoint} 
- DashScope api-key替换示例中的{your-dashscope-api-key} 
import dashscope
from dashscope import TextEmbedding
from dashvector import Client
from typing import List, Union
dashscope.api_key = '{your-dashscope-api-key}'
# 调用DashScope通用文本向量模型,将文本embedding为向量
def generate_embeddings(texts: Union[List[str], str], text_type: str = 'document'):
    rsp = TextEmbedding.call(
        model=TextEmbedding.Models.text_embedding_v2,
        input=texts,
        text_type=text_type
    )
    embeddings = [record['embedding'] for record in rsp.output['embeddings']]
    return embeddings if isinstance(texts, list) else embeddings[0]
# 创建DashVector Client
client = Client(
    api_key='{your-dashvector-api-key}',
    endpoint='{your-dashvector-cluster-endpoint}'
)
# 创建DashVector Collection
rsp = client.create('dashscope-text-embedding', 1536)
assert rsp
collection = client.get('dashscope-text-embedding')
assert collection
# 向量入库DashVector
collection.insert(
    ('ID1', generate_embeddings('阿里云向量检索服务DashVector是性能、性价比具佳的向量数据库之一'))
)
# 向量检索
docs = collection.query(
    generate_embeddings('The best vector database', 'query')
)
print(docs)
相关最佳实践
ONE-PEACE多模态向量表征
ONE-PEACE是一个图文音三模态通用表征模型,同样可通过ONE-PEAC将文本转换为向量。
该文章对您有帮助吗?