当前位置：首页 > news >正文

CacheBackEmbedding 组件的运行流程和使用注意事项

news 2025/7/4 11:38:50

1. CacheBackEmbedding 的使用与应用场景

背景介绍

使用嵌入模型计算数据向量需要消耗大量算力。对于重复内容，Embeddings 的计算结果是固定的，重复计算不仅效率低下，还会造成资源浪费。

解决方案

LangChain 提供了 CacheBackEmbedding 包装类来解决这个问题。通常通过 from_bytes_store 类方法进行实例化。

资料推荐

💡大模型中转API推荐
✨中转使用教程

主要参数说明

underlying_embedder
- 作用：指定用于嵌入的基础模型
- 类型：嵌入模型对象
document_embedding_cache
- 作用：用于缓存文档嵌入的存储库
- 类型：ByteStore
batch_size
- 作用：控制存储更新间的文档嵌入数量
- 默认值：None
- 可选参数
namespace
- 作用：文档缓存的命名空间，用于避免缓存冲突
- 默认值：“”
- 建议设置为所使用的嵌入模型名称
query_embedding_cache
- 作用：用于缓存查询/文本嵌入的存储库
- 默认值：None（不缓存）
- 可设置为 True 以使用与 document_embedding_cache 相同的存储

注意事项

CacheBackEmbedding 默认不会缓存 embed_query 生成的向量
如需缓存查询向量，需要明确设置 query_embedding_cache 参数
强烈建议设置 namespace 参数，避免不同嵌入模型间的缓存冲突

示例代码

import dotenv
import numpy as np
from langchain.embeddings import CacheBackedEmbeddings
from langchain.storage import LocalFileStore
from langchain_openai import OpenAIEmbeddings
from numpy.linalg import normdotenv.load_dotenv()def cosine_similarity(vector1: list, vector2: list) -> float:"""计算传入两个向量的余弦相似度"""# 1.计算内积/点积dot_product = np.dot(vector1, vector2)# 2.计算向量的范数/长度norm_vec1 = norm(vector1)norm_vec2 = norm(vector2)# 3.计算余弦相似度return dot_product / (norm_vec1 * norm_vec2)embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
embeddings_with_cache = CacheBackedEmbeddings.from_bytes_store(embeddings,LocalFileStore("./cache/"),namespace=embeddings.model,query_embedding_cache=True,
)query_vector = embeddings_with_cache.embed_query("你好，我是xxx，我喜欢打篮球")
documents_vector = embeddings_with_cache.embed_documents(["你好，我是xxx，我喜欢打篮球","这个喜欢打篮球的人叫xxx","求知若渴，虚心若愚"
])print(query_vector)
print(len(query_vector))print("============")print(len(documents_vector))
print("vector1与vector2的余弦相似度:", cosine_similarity(documents_vector[0], documents_vector[1]))
print("vector2与vector3的余弦相似度:", cosine_similarity(documents_vector[0], documents_vector[2]))