langchain1.X学习笔记-41-RAG之文档嵌入模型和向量存储

文章目录1 文档嵌入模型1.1 嵌入模型概述1.2 嵌入模型初始化1.3 句子的向量化(embed_query)1.4 文档的向量化(embed_documents)1.4.1 示例一1.4.2 示例二2 向量存储(Vector Stores)2.1 向量数据库的理解2.1.1 传统的数据库2.1.2 向量数据库2.2 常用的向量数据库2.3 WSL中安装Milvus2.3.1 下载官方配置文件2.3.2 启动Milvus容器集群2.3.3 验证安装状态2.3.4 测试连接3 Milvus介绍3.1 Milvus数据模型3.2 基本用法(DDL操作)3.3 基本用法(DML操作)3.4 基本用法(DQL操作)3.4.1 扫描数据3.4.2 通过主键查询数据3.4.3 相似度检索文档嵌入模型和向量存储，向量数据库Milvus的使用。1 文档嵌入模型Text Embedding Models1.1 嵌入模型概述Text Embedding Models：文档嵌入模型，提供将文本编码为向量的能力，即文档向量化 。文档写入和用户查询匹配前都会先执行文档嵌入编码，即向量化。常用嵌入模型：LangChain中针对向量化模型的封装提供了两种接口：一种针对句子的向量化embed_query。一种针对文档的向量化(embed_documents)。1.2 嵌入模型初始化from langchain_openaiimportOpenAIEmbeddingsimportos from dotenv