Langchain的向量存储 - Document示例代码里的疑问

本文主要是介绍Langchain的向量存储 - Document示例代码里的疑问，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

---

前言

之前的代码里有下面这句话，可能有看不明白的读者。

vectors = [embeddings.embed(doc.page_content) for doc in docs]

今天一起来看下这句话。

一、语句分析

这句话实际上是一个列表推导式，它的作用是遍历 docs 列表中的每个 Document 对象，并将每个 Document 对象的 page_content 属性通过 embeddings.embed 方法转换为向量，然后将所有这些向量组成一个新的列表 vectors。

具体的步骤如下：

1. 遍历 docs 列表：for doc in docs 表示依次取出 docs 列表中的每个 Document 对象并赋值给 doc。
2. 提取 page_content：对于每个 Document 对象 doc，提取其 page_content 属性（即文档的文本内容）。
3. 嵌入转换：将提取到的文本内容通过 embeddings.embed 方法转换为向量。embeddings.embed(doc.page_content) 返回的是一个向量表示。
4. 生成向量列表：将所有转换得到的向量组成一个新的列表，并将该列表赋值给 vectors 变量。

这句话不会替换原来的 doc 值，而是生成一个新的向量列表。每个向量对应于 docs 列表中每个 Document 对象的 page_content 的向量表示。

二、 举例解释

假设我们有以下 docs 列表：

docs = [Document(page_content="Machine learning is a method of data analysis.", metadata={"title": "ML Intro"}),Document(page_content="LangChain is a powerful framework.", metadata={"title": "LangChain Overview"})
]

执行这句代码后：

vectors = [embeddings.embed(doc.page_content) for doc in docs]

假设 embeddings.embed 方法将文本转换为一个简单的数值向量，那么 vectors 可能是：

vectors = [[0.1, 0.2, 0.3, 0.4],  # 向量表示 "Machine learning is a method of data analysis."[0.5, 0.6, 0.7, 0.8]   # 向量表示 "LangChain is a powerful framework."
]

三、 完整代码

以下是一个完整的示例，展示了从文档到向量转换的过程，大家可以一起练一练：

from langchain_core.documents import Document
from langchain.embeddings import OpenAIEmbeddings# 创建文档对象列表
docs = [Document(page_content="Machine learning is a method of data analysis.", metadata={"title": "ML Intro"}),Document(page_content="LangChain is a powerful framework.", metadata={"title": "LangChain Overview"})
]# 初始化嵌入模型
embeddings = OpenAIEmbeddings()# 将文档内容转换为向量
vectors = [embeddings.embed(doc.page_content) for doc in docs]# 输出向量列表
for i, vector in enumerate(vectors):print(f"Vector for doc {i+1}: {vector}")

总结

这句话的主要目的是将每个 Document 对象的文本内容转换为向量，并将所有这些向量组成一个新的列表 vectors，方便后续的向量存储和检索操作。它不会修改原来的 Document 对象，而是生成一个新的向量列表。

这篇关于Langchain的向量存储 - Document示例代码里的疑问的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---