> ## Documentation Index
> Fetch the complete documentation index at: https://nvd-54.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 向量嵌入模型集成

> 使用 LangChain Python 集成向量嵌入模型。

## 概述

<Note>
  This overview covers **text-based 向量嵌入模型**. LangChain 目前不支持多模态向量嵌入。

  See [top 向量嵌入模型](#top-integrations).
</Note>

向量嵌入模型将原始文本—如句子、段落或推文—转换为捕获其**语义含义**的固定长度数字向量。 这些向量允许机器基于含义而非精确词汇来比较和搜索文本。

在实践中，这意味着具有相似想法的文本在向量空间中被放置得很近。 例如，向量嵌入不仅能匹配短语 *"machine learning"*, 还能在使用不同措辞时找到讨论相关概念的文档。

### 工作原理

1. **向量化** — 模型将每个输入字符串编码为高维向量。
2. **相似度评分** — 使用数学指标比较向量，衡量底层文本之间的关联程度。

### 相似度指标

常用的向量嵌入比较指标包括：

* **余弦相似度** — 测量两个向量之间的角度。
* **欧几里得距离** — 测量点之间的直线距离。
* **点积** — 测量一个向量在另一个向量上的投影。

以下是计算两个向量余弦相似度的示例：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import numpy as np

def cosine_similarity(vec1, vec2):
    dot = np.dot(vec1, vec2)
    return dot / (np.linalg.norm(vec1) * np.linalg.norm(vec2))

similarity = cosine_similarity(query_embedding, document_embedding)
print("Cosine Similarity:", similarity)
```

## 接口

LangChain provides a standard interface for text 向量嵌入模型 (e.g., OpenAI, Cohere, Hugging Face) 通过 [Embeddings](https://reference.langchain.com/python/langchain-core/embeddings/embeddings/Embeddings) 接口。

提供两个主要方法：

* `embed_documents(texts: List[str]) → List[List[float]]`: 嵌入文档列表。
* `embed_query(text: str) → List[float]`: 嵌入单个查询。

<Note>
  该接口允许使用不同的策略对查询和文档进行向量嵌入, 尽管大多数提供商在实践中以相同方式处理它们。
</Note>

## 热门集成

| 模型                                                                                         | 包                                                                                                                                                                |
| ------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| [`OpenAIEmbeddings`](/oss/python/integrations/embeddings/openai)                           | [`langchain-openai`](https://reference.langchain.com/python/langchain-openai)                                                                                    |
| [`AzureOpenAIEmbeddings`](/oss/python/integrations/embeddings/azure_openai)                | [`langchain-openai`](https://reference.langchain.com/python/langchain-openai/embeddings/azure/AzureOpenAIEmbeddings)                                             |
| [`GoogleGenerativeAIEmbeddings`](/oss/python/integrations/embeddings/google_generative_ai) | [`langchain-google-genai`](https://reference.langchain.com/python/langchain-google-genai/embeddings/GoogleGenerativeAIEmbeddings)                                |
| [`HuggingFaceEmbeddings`](/oss/python/integrations/embeddings/sentence_transformers)       | [`langchain-huggingface`](https://reference.langchain.com/python/langchain-huggingface)                                                                          |
| [`OllamaEmbeddings`](/oss/python/integrations/embeddings/ollama)                           | [`langchain-ollama`](https://reference.langchain.com/python/langchain-ollama/embeddings/OllamaEmbeddings)                                                        |
| [`TogetherEmbeddings`](/oss/python/integrations/embeddings/together)                       | [`langchain-together`](https://reference.langchain.com/python/langchain-together/embeddings/TogetherEmbeddings)                                                  |
| [`FireworksEmbeddings`](/oss/python/integrations/embeddings/fireworks)                     | [`langchain-fireworks`](https://reference.langchain.com/python/langchain-fireworks/embeddings/FireworksEmbeddings)                                               |
| [`MistralAIEmbeddings`](/oss/python/integrations/embeddings/mistralai)                     | [`langchain-mistralai`](https://reference.langchain.com/python/langchain-mistralai/embeddings/MistralAIEmbeddings)                                               |
| [`VoyageAIEmbeddings`](/oss/python/integrations/embeddings/voyageai)                       | `langchain-voyageai`                                                                                                                                             |
| [`CohereEmbeddings`](/oss/python/integrations/embeddings/cohere)                           | [`langchain-cohere`](https://reference.langchain.com/python/langchain-community/llms/cohere/Cohere)                                                              |
| [`NomicEmbeddings`](/oss/python/integrations/embeddings/nomic)                             | [`langchain-nomic`](https://reference.langchain.com/python/langchain-nomic/embeddings/NomicEmbeddings)                                                           |
| [`FakeEmbeddings`](/oss/python/integrations/embeddings/fake)                               | [`langchain-core`](https://reference.langchain.com/python/langchain-core/embeddings/fake/FakeEmbeddings)                                                         |
| [`DatabricksEmbeddings`](/oss/python/integrations/embeddings/databricks)                   | [`databricks-langchain`](https://api-docs.databricks.com/python/databricks-ai-bridge/latest/databricks_langchain.html#databricks_langchain.DatabricksEmbeddings) |
| [`WatsonxEmbeddings`](/oss/python/integrations/embeddings/ibm_watsonx)                     | [`langchain-ibm`](https://reference.langchain.com/python/langchain-ibm/embeddings/WatsonxEmbeddings)                                                             |
| [`NVIDIAEmbeddings`](/oss/python/integrations/embeddings/nvidia_ai_endpoints)              | [`langchain-nvidia`](https://reference.langchain.com/python/langchain-nvidia-ai-endpoints/embeddings/NVIDIAEmbeddings)                                           |
| [`AIMLAPIEmbeddings`](/oss/python/integrations/embeddings/aimlapi)                         | `langchain-aimlapi`                                                                                                                                              |
| [`PerplexityEmbeddings`](/oss/python/integrations/embeddings/perplexity)                   | [`langchain-perplexity`](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings)                                            |

### 常见部署模式

在实践中，大多数团队会采用以下四种模式之一：

1. 托管旗舰版： OpenAI `text-embedding-3-large`, Cohere `embed-english-v3`, Google `gemini-embedding-001`, Voyage `voyage-3`. 一次 API 调用，开箱即用的一流质量，无需本地基础设施。 按调用计费且依赖数据传出。
2. 本地开源版： `BAAI/bge-*`, `mixedbread-ai/mxbai-embed-*`, `Qwen/Qwen3-Embedding-*`, `nomic-ai/modernbert-embed-*`, `sentence-transformers/all-*`. 下载一次，随处运行。 无按调用成本，数据永远不会离开您的环境。 在小规模下 CPU 上可能比托管 API 慢；使用 GPU 时具有竞争力或更快。
3. 本地开源专业版： 针对您特定领域、语言或任务的微调模型。 从强大的开源基础模型开始 (e.g. `BAAI/bge-m3`) 即使只用几千对领域内的查询/文档对进行微调，在该领域的检索准确性上往往能超过托管旗舰模型。
4. 生产规模自托管版： 相同的开源模型（基础或微调版）通过 [Text Embeddings Inference (TEI)](https://github.com/huggingface/text-embeddings-inference) or Ollama. 为您提供本地推理的经济性，同时具备托管提供商的水平扩展和 API 便利性。

LangChain 对这四种模式一视同仁： 您实例化一个 `Embeddings` 子类并将其传递给向量存储或检索器。 模式 (2) 和 (3) 使用 `HuggingFaceEmbeddings`; 模式 (4) 使用 `HuggingFaceEndpointEmbeddings` or `OllamaEmbeddings`.

### 需要考虑的因素

#### 质量

从 [MTEB 排行榜](https://huggingface.co/spaces/mteb/leaderboard). MTEB 对 向量嵌入模型 在检索、聚类、分类和重排序任务上进行基准测试，是事实上的行业参考标准。 按您的语言和任务进行筛选（检索是 RAG 最常见的任务）。

排行榜数据并不总是可迁移的，因此在决定之前请在您自己的数据上进行小规模评估。 LangSmith 提供了相关工具； 请参阅 [evaluation guides](/langsmith/evaluation-concepts).

#### 成本

托管向量嵌入的价格通常在每百万 Token 几美分到约 0.15 美元之间。 对于一次嵌入并每天查询数千次的语料库，成本通常由查询端主导。

本地推理没有按调用成本，但需要 CPU（较慢）或 GPU（资本或云成本）。 交叉点取决于工作负载： 低流量个人项目在 CPU 上基本免费； 对于中等流量的生产环境，单个 GPU 通过 TEI 提供本地模型在单位经济性上往往优于托管服务。

#### 延迟

托管向量嵌入 API 每次请求大约增加 50-200ms 的网络延迟。 CPU 上的本地模型对于小模型的短查询需要 10-100ms (`all-MiniLM-L6-v2`-class), 大型模型需要 50-500ms。 在 GPU 上，本地推理通常比托管 API 的往返更快。

对于批量索引，每次请求的延迟不如吞吐量重要。 TEI 和多进程本地推理会积极批处理。 例如考虑 `encode_kwargs={"batch_size": 64}` 或更高的值在 `HuggingFaceEmbeddings` GPU 上运行时。

#### 维度

向量嵌入维度影响向量存储的存储空间和查询计算量。典型大小：

* 384 (small Sentence Transformers models, `all-MiniLM-L6-v2`)
* 768 (mid-size ST models, `all-mpnet-base-v2`, `bge-base`)
* 1024 (`bge-large`, Cohere v3, Voyage)
* 1536 (OpenAI `text-embedding-3-small`, Qwen3-Embedding-0.6B)
* 3072+ (OpenAI `text-embedding-3-large`, Qwen3-Embedding-4B/8B)

较大的向量通常更准确，但消耗更多的存储空间和查询计算量。 一些现代模型 (OpenAI `text-embedding-3-*`, `mixedbread-ai/mxbai-embed-large-v1`, Matryoshka-trained ST models, Qwen3-Embedding) 支持**截断**：将向量裁剪到较小的维度，同时优雅地降低质量。 适用于将更多向量放入较小的索引中。

#### 上下文长度

Most classic 向量嵌入模型 cap out at 512 tokens (`all-mpnet-base-v2`, classic BGE). 较新的模型支持更长的上下文：

* `nomic-ai/modernbert-embed-base`: 8192 tokens
* `Alibaba-NLP/gte-multilingual-base`: 8192 tokens
* `BAAI/bge-m3`: 8192 tokens
* OpenAI `text-embedding-3-*`: 8191 tokens

如果您的文本块较长（整页技术文档、法律段落），请优先使用长上下文模型。 对于短文本块，512 Token 的限制很少成为约束。

#### 多语言支持

对于多语言检索，请选择在您的语言上训练的模型。推荐默认值：

* Open: `BAAI/bge-m3`, `intfloat/multilingual-e5-*`, `Alibaba-NLP/gte-multilingual-*`, `Qwen/Qwen3-Embedding-*` (via `HuggingFaceEmbeddings`)
* Hosted: Cohere `embed-multilingual-v3`, OpenAI `text-embedding-3-*`

#### 查询和文档提示词

一些现代开源模型 (E5, BGE, Qwen3-Embedding, GTE) 使用不同的文本前缀对查询和文档进行训练。 在查询时使用错误的前缀是常见的质量回退问题。 当使用 `HuggingFaceEmbeddings`, 时，请显式传递提示词：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_huggingface import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(
    model_name="intfloat/e5-large-v2",
    encode_kwargs={"prompt": "passage: "},
    query_encode_kwargs={"prompt": "query: "},
)
```

请在 Hugging Face 上查看每个模型的卡片以获取推荐的提示词字符串。

#### 许可证

Most popular open 向量嵌入模型 are permissively licensed (Apache 2.0, MIT). 少数最近的专业模型需要商业许可证才能用于生产。 在发布前请检查每个模型的许可证。

### 超越单向量密集向量嵌入

每个文本块一个密集向量是默认方式，但不是唯一选择。

#### 稀疏和混合检索

密集向量嵌入不太擅长处理精确匹配查询 （产品代码、命名实体、代码标识符），不如基于关键词的索引。 混合检索将密集索引与 BM25 或稀疏神经索引结合 (SPLADE, `BAAI/bge-m3`'s sparse output) 以覆盖两种情况。

#### 延迟交互和多向量

ColBERT 风格的模型为每个 Token 生成一个向量，而非每个文本块, 然后通过延迟交互对查询与文档进行评分。 对于复杂查询，这通常比单向量密集检索更准确, at the cost of higher storage and more complex indexing. 该领域当前的开源模型包括 `jinaai/jina-colbert-v2`, `answerdotai/answerai-colbert-small-v1`, 以及较新的延迟交互变体，如 `lightonai/LateOn`. LangChain 的内置检索器针对单向量向量嵌入； 延迟交互通常需要专门的索引 (Vespa, Qdrant's multi-vector support, or PyLate).

### 入门起点

如果您只需要一个可用的起点：

* 快速原型，托管： `OpenAIEmbeddings(model="text-embedding-3-small")`
* Quick prototype, local, no API 密钥: `HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", encode_kwargs={"normalize_embeddings": True})`
* 生产环境，托管，质量优先： `VoyageAIEmbeddings(model="voyage-3")` or `OpenAIEmbeddings(model="text-embedding-3-large")`
* 生产环境，开源，质量优先： `HuggingFaceEmbeddings(model_name="BAAI/bge-m3", encode_kwargs={"normalize_embeddings": True})` 通过 TEI 提供服务
* 多语言，开源： `HuggingFaceEmbeddings(model_name="intfloat/multilingual-e5-large")` 配置查询和文档提示词

在您自己的数据上衡量检索质量，然后迭代改进。

## 缓存

向量嵌入可以被存储或临时缓存，以避免重新计算。

可以使用 a `CacheBackedEmbeddings`. 此封装将向量嵌入存储在键值存储中, 其中文本被哈希化，哈希值用作缓存中的键。

初始化 a `CacheBackedEmbeddings` is `from_bytes_store`. 它接受以下参数：

* **`underlying_embedder`**: 用于向量嵌入的嵌入器。
* **`document_embedding_cache`**: 任何 [`ByteStore`](/oss/python/integrations/stores/) 用于缓存文档向量嵌入。
* **`batch_size`**: （可选，默认为 `None`）在存储更新之间嵌入的文档数量。
* **`namespace`**: （可选，默认为 `""`）文档缓存使用的命名空间。有助于避免冲突（例如，将其设置为向量嵌入模型名称）。
* **`query_embedding_cache`**: （可选，默认为 `None`） A [`ByteStore`](/oss/python/integrations/stores/) 用于缓存查询向量嵌入，或设为 `True` 以重用与 `document_embedding_cache` 相同的存储。

<Important>
  - 始终设置 `namespace` parameter to avoid collisions when using different 向量嵌入模型.
  - `CacheBackedEmbeddings` 默认不缓存查询向量嵌入。 要启用此功能，请指定 `query_embedding_cache`.
</Important>

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import time
from langchain_classic.embeddings import CacheBackedEmbeddings  # [!code highlight]
from langchain_classic.storage import LocalFileStore # [!code highlight]
from langchain_core.vectorstores import InMemoryVectorStore

# 创建底层向量嵌入模型
underlying_embeddings = ... # e.g., OpenAIEmbeddings(), HuggingFaceEmbeddings(), etc.

# Store persists embeddings to the local filesystem
# This isn't for production use, but is useful for local
store = LocalFileStore("./cache/") # [!code highlight]

cached_embedder = CacheBackedEmbeddings.from_bytes_store(
    underlying_embeddings,
    store,
    namespace=underlying_embeddings.model
)

# Example: caching a query embedding
tic = time.time()
print(cached_embedder.embed_query("Hello, world!"))
print(f"First call took: {time.time() - tic:.2f} seconds")

# Subsequent calls use the cache
tic = time.time()
print(cached_embedder.embed_query("Hello, world!"))
print(f"Second call took: {time.time() - tic:.2f} seconds")
```

在生产环境中，您通常会使用更强大的持久化存储, 例如数据库或云存储。 请参阅 [stores integrations](/oss/python/integrations/stores/) 了解可选方案。

## 所有向量嵌入模型

<Columns cols={3}>
  <Card title="Aleph Alpha" icon="link" href="/oss/python/integrations/embeddings/aleph_alpha" arrow="true" cta="查看指南" />

  <Card title="Anyscale" icon="link" href="/oss/python/integrations/embeddings/anyscale" arrow="true" cta="查看指南" />

  <Card title="Ascend" icon="link" href="/oss/python/integrations/embeddings/ascend" arrow="true" cta="查看指南" />

  <Card title="AI/ML API" icon="link" href="/oss/python/integrations/embeddings/aimlapi" arrow="true" cta="查看指南" />

  <Card title="AwaDB" icon="link" href="/oss/python/integrations/embeddings/awadb" arrow="true" cta="查看指南" />

  <Card title="AzureOpenAI" icon="link" href="/oss/python/integrations/embeddings/azure_openai" arrow="true" cta="查看指南" />

  <Card title="Baichuan Text Embeddings" icon="link" href="/oss/python/integrations/embeddings/baichuan" arrow="true" cta="查看指南" />

  <Card title="Baidu Qianfan" icon="link" href="/oss/python/integrations/embeddings/baidu_qianfan_endpoint" arrow="true" cta="查看指南" />

  <Card title="Baseten" icon="link" href="/oss/python/integrations/embeddings/baseten" arrow="true" cta="查看指南" />

  <Card title="Bedrock" icon="link" href="/oss/python/integrations/embeddings/bedrock" arrow="true" cta="查看指南" />

  <Card title="BGE on Hugging Face" icon="link" href="/oss/python/integrations/embeddings/bge_huggingface" arrow="true" cta="查看指南" />

  <Card title="Bookend AI" icon="link" href="/oss/python/integrations/embeddings/bookend" arrow="true" cta="查看指南" />

  <Card title="Clarifai" icon="link" href="/oss/python/integrations/embeddings/clarifai" arrow="true" cta="查看指南" />

  <Card title="Cloudflare Workers AI" icon="link" href="/oss/python/integrations/embeddings/cloudflare_workersai" arrow="true" cta="查看指南" />

  <Card title="Clova Embeddings" icon="link" href="/oss/python/integrations/embeddings/clova" arrow="true" cta="查看指南" />

  <Card title="Cohere" icon="link" href="/oss/python/integrations/embeddings/cohere" arrow="true" cta="查看指南" />

  <Card title="DashScope" icon="link" href="/oss/python/integrations/embeddings/dashscope" arrow="true" cta="查看指南" />

  <Card title="Databricks" icon="link" href="/oss/python/integrations/embeddings/databricks" arrow="true" cta="查看指南" />

  <Card title="DeepInfra" icon="link" href="/oss/python/integrations/embeddings/deepinfra" arrow="true" cta="查看指南" />

  <Card title="EDEN AI" icon="link" href="/oss/python/integrations/embeddings/edenai" arrow="true" cta="查看指南" />

  <Card title="Elasticsearch" icon="link" href="/oss/python/integrations/embeddings/elasticsearch" arrow="true" cta="查看指南" />

  <Card title="Embaas" icon="link" href="/oss/python/integrations/embeddings/embaas" arrow="true" cta="查看指南" />

  <Card title="Fake Embeddings" icon="link" href="/oss/python/integrations/embeddings/fake" arrow="true" cta="查看指南" />

  <Card title="FastEmbed by Qdrant" icon="link" href="/oss/python/integrations/embeddings/fastembed" arrow="true" cta="查看指南" />

  <Card title="Fireworks" icon="link" href="/oss/python/integrations/embeddings/fireworks" arrow="true" cta="查看指南" />

  <Card title="Google Gemini" icon="link" href="/oss/python/integrations/embeddings/google_generative_ai" arrow="true" cta="查看指南" />

  <Card title="Google Vertex AI" icon="link" href="/oss/python/integrations/embeddings/google_vertex_ai" arrow="true" cta="查看指南" />

  <Card title="GPT4All" icon="link" href="/oss/python/integrations/embeddings/gpt4all" arrow="true" cta="查看指南" />

  <Card title="Gradient" icon="link" href="/oss/python/integrations/embeddings/gradient" arrow="true" cta="查看指南" />

  <Card title="GreenNode" icon="link" href="/oss/python/integrations/embeddings/greennode" arrow="true" cta="查看指南" />

  <Card title="Hugging Face" icon="link" href="/oss/python/integrations/embeddings/huggingfacehub" arrow="true" cta="查看指南" />

  <Card title="IBM watsonx.ai" icon="link" href="/oss/python/integrations/embeddings/ibm_watsonx" arrow="true" cta="查看指南" />

  <Card title="Infinity" icon="link" href="/oss/python/integrations/embeddings/infinity" arrow="true" cta="查看指南" />

  <Card title="Instruct Embeddings" icon="link" href="/oss/python/integrations/embeddings/instruct_embeddings" arrow="true" cta="查看指南" />

  <Card title="IPEX-LLM CPU" icon="link" href="/oss/python/integrations/embeddings/ipex_llm" arrow="true" cta="查看指南" />

  <Card title="IPEX-LLM GPU" icon="link" href="/oss/python/integrations/embeddings/ipex_llm_gpu" arrow="true" cta="查看指南" />

  <Card title="Isaacus" icon="link" href="/oss/python/integrations/embeddings/isaacus" arrow="true" cta="查看指南" />

  <Card title="Intel Extension for Transformers" icon="link" href="/oss/python/integrations/embeddings/itrex" arrow="true" cta="查看指南" />

  <Card title="Jina" icon="link" href="/oss/python/integrations/embeddings/jina" arrow="true" cta="查看指南" />

  <Card title="John Snow Labs" icon="link" href="/oss/python/integrations/embeddings/johnsnowlabs_embedding" arrow="true" cta="查看指南" />

  <Card title="LASER" icon="link" href="/oss/python/integrations/embeddings/laser" arrow="true" cta="查看指南" />

  <Card title="Lindorm" icon="link" href="/oss/python/integrations/embeddings/lindorm" arrow="true" cta="查看指南" />

  <Card title="Llama.cpp" icon="link" href="/oss/python/integrations/embeddings/llamacpp" arrow="true" cta="查看指南" />

  <Card title="LLMRails" icon="link" href="/oss/python/integrations/embeddings/llm_rails" arrow="true" cta="查看指南" />

  <Card title="LocalAI" icon="link" href="/oss/python/integrations/embeddings/localai" arrow="true" cta="查看指南" />

  <Card title="MiniMax" icon="link" href="/oss/python/integrations/embeddings/minimax" arrow="true" cta="查看指南" />

  <Card title="MistralAI" icon="link" href="/oss/python/integrations/embeddings/mistralai" arrow="true" cta="查看指南" />

  <Card title="Model2Vec" icon="link" href="/oss/python/integrations/embeddings/model2vec" arrow="true" cta="查看指南" />

  <Card title="ModelScope" icon="link" href="/oss/python/integrations/embeddings/modelscope_embedding" arrow="true" cta="查看指南" />

  <Card title="MosaicML" icon="link" href="/oss/python/integrations/embeddings/mosaicml" arrow="true" cta="查看指南" />

  <Card title="Naver" icon="link" href="/oss/python/integrations/embeddings/naver" arrow="true" cta="查看指南" />

  <Card title="Nebius" icon="link" href="/oss/python/integrations/embeddings/nebius" arrow="true" cta="查看指南" />

  <Card title="Netmind" icon="link" href="/oss/python/integrations/embeddings/netmind" arrow="true" cta="查看指南" />

  <Card title="NLP Cloud" icon="link" href="/oss/python/integrations/embeddings/nlp_cloud" arrow="true" cta="查看指南" />

  <Card title="Nomic" icon="link" href="/oss/python/integrations/embeddings/nomic" arrow="true" cta="查看指南" />

  <Card title="NVIDIA NIMs" icon="link" href="/oss/python/integrations/embeddings/nvidia_ai_endpoints" arrow="true" cta="查看指南" />

  <Card title="Oracle Cloud Infrastructure" icon="link" href="/oss/python/integrations/embeddings/oci_generative_ai" arrow="true" cta="查看指南" />

  <Card title="Ollama" icon="link" href="/oss/python/integrations/embeddings/ollama" arrow="true" cta="查看指南" />

  <Card title="OpenClip" icon="link" href="/oss/python/integrations/embeddings/open_clip" arrow="true" cta="查看指南" />

  <Card title="OpenAI" icon="link" href="/oss/python/integrations/embeddings/openai" arrow="true" cta="查看指南" />

  <Card title="OpenVINO" icon="link" href="/oss/python/integrations/embeddings/openvino" arrow="true" cta="查看指南" />

  <Card title="Optimum Intel" icon="link" href="/oss/python/integrations/embeddings/optimum_intel" arrow="true" cta="查看指南" />

  <Card title="Oracle AI Database" icon="link" href="/oss/python/integrations/embeddings/oracleai" arrow="true" cta="查看指南" />

  <Card title="OVHcloud" icon="link" href="/oss/python/integrations/embeddings/ovhcloud" arrow="true" cta="查看指南" />

  <Card title="Pinecone Embeddings" icon="link" href="/oss/python/integrations/embeddings/pinecone" arrow="true" cta="查看指南" />

  <Card title="PredictionGuard" icon="link" href="/oss/python/integrations/embeddings/predictionguard" arrow="true" cta="查看指南" />

  <Card title="Perplexity" icon="link" href="/oss/python/integrations/embeddings/perplexity" arrow="true" cta="查看指南" />

  <Card title="PremAI" icon="link" href="/oss/python/integrations/embeddings/premai" arrow="true" cta="查看指南" />

  <Card title="SageMaker" icon="link" href="/oss/python/integrations/embeddings/sagemaker-endpoint" arrow="true" cta="查看指南" />

  <Card title="SambaNova" icon="link" href="/oss/python/integrations/embeddings/sambanova" arrow="true" cta="查看指南" />

  <Card title="Self Hosted" icon="link" href="/oss/python/integrations/embeddings/self-hosted" arrow="true" cta="查看指南" />

  <Card title="Sentence Transformers" icon="link" href="/oss/python/integrations/embeddings/sentence_transformers" arrow="true" cta="查看指南" />

  <Card title="Solar" icon="link" href="/oss/python/integrations/embeddings/solar" arrow="true" cta="查看指南" />

  <Card title="SpaCy" icon="link" href="/oss/python/integrations/embeddings/spacy_embedding" arrow="true" cta="查看指南" />

  <Card title="SparkLLM" icon="link" href="/oss/python/integrations/embeddings/sparkllm" arrow="true" cta="查看指南" />

  <Card title="TensorFlow Hub" icon="link" href="/oss/python/integrations/embeddings/tensorflowhub" arrow="true" cta="查看指南" />

  <Card title="Text Embeddings Inference" icon="link" href="/oss/python/integrations/embeddings/text_embeddings_inference" arrow="true" cta="查看指南" />

  <Card title="TextEmbed" icon="link" href="/oss/python/integrations/embeddings/textembed" arrow="true" cta="查看指南" />

  <Card title="Titan Takeoff" icon="link" href="/oss/python/integrations/embeddings/titan_takeoff" arrow="true" cta="查看指南" />

  <Card title="Together AI" icon="link" href="/oss/python/integrations/embeddings/together" arrow="true" cta="查看指南" />

  <Card title="Upstage" icon="link" href="/oss/python/integrations/embeddings/upstage" arrow="true" cta="查看指南" />

  <Card title="Volc Engine" icon="link" href="/oss/python/integrations/embeddings/volcengine" arrow="true" cta="查看指南" />

  <Card title="Voyage AI" icon="link" href="/oss/python/integrations/embeddings/voyageai" arrow="true" cta="查看指南" />

  <Card title="Xinference" icon="link" href="/oss/python/integrations/embeddings/xinference" arrow="true" cta="查看指南" />

  <Card title="YandexGPT" icon="link" href="/oss/python/integrations/embeddings/yandex" arrow="true" cta="查看指南" />

  <Card title="ZhipuAI" icon="link" href="/oss/python/integrations/embeddings/zhipuai" arrow="true" cta="查看指南" />
</Columns>

***

<div className="source-links">
  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>

  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/oss/python/integrations/embeddings/index.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>
</div>