langchain 认识embeddings （用于生成向量） 及阿里云deepseek如何embedding

 1. OpenAIEmbeddings vs. ChatOpenAI

组件	作用	输入	输出	主要用途
OpenAIEmbeddings	生成文本的向量表示（embedding）	文本字符串	数字向量（list of floats）	用于向量搜索、RAG、语义搜索
ChatOpenAI / init_chat_model	基于 OpenAI LLM 进行文本生成	问题或 Prompt	生成的文本（字符串）	问答、聊天机器人、文本摘要、代码生成

from langchain_openai import OpenAIEmbeddings  

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")  

这里的 text-embedding-3-large 是 OpenAI 最新的嵌入模型，生成高维度的文本向量

以下例子把文本转成1536个维度的向量

text = "LangChain is a powerful framework for LLM applications."
vector = embeddings.embed_query(text)
print(len(vector))  # 输出：1536（text-embedding-3-large 的默认维度）

langchain官方示例代码中使用OpenAIEmbeddings，阿里云提供的接口不支持 OpenAIEmbeddings，需要换成 DashScopeEmbeddings （注意，这个有180天免费额度，超出也是要收费的）

from langchain_openai import OpenAIEmbeddings

 更换后：

from langchain_community.embeddings import DashScopeEmbeddings
from langchain_core.vectorstores import InMemoryVectorStore
from dotenv import load_dotenv
load_dotenv()


embeddings = DashScopeEmbeddings() # 阿里云提供的deepseek不支持OpenAIEmbeddings，需用DashScopeEmbeddings替代

text_input = 'The clothes are of good quality and look good, definitely worth the wait. I love them.'
embedding = embeddings.embed_query(text_input)

vector_store = InMemoryVectorStore(embeddings)