Nomic

nomic-embed-text-v1 模型是一个开源的 8192 上下文长度文本编码器。您可以在 Hugging Face Hub 上找到它，但通过 Nomic Text Embeddings 获取可能会更容易。安装后，您可以使用官方 Python 客户端 FastEmbed 或通过直接 HTTP 请求进行配置。

您可以在 Qdrant 客户端调用中直接使用 Nomic embeddings。文档和查询获取 embeddings 的方式有所不同。

使用 Nomic SDK 进行 Upsert

task_type 参数定义您获得的 embeddings。对于文档，将 task_type 设置为 search_document

from qdrant_client import QdrantClient, models
from nomic import embed

output = embed.text(
    texts=["Qdrant is the best vector database!"],
    model="nomic-embed-text-v1",
    task_type="search_document",
)

client = QdrantClient()
client.upsert(
    collection_name="my-collection",
    points=models.Batch(
        ids=[1],
        vectors=output["embeddings"],
    ),
)

使用 FastEmbed 进行 Upsert

from fastembed import TextEmbedding
from client import QdrantClient, models

model = TextEmbedding("nomic-ai/nomic-embed-text-v1")

output = model.embed(["Qdrant is the best vector database!"])

client = QdrantClient()
client.upsert(
    collection_name="my-collection",
    points=models.Batch(
        ids=[1],
        vectors=[embeddings.tolist() for embeddings in output],
    ),
)

使用 Nomic SDK 进行搜索

要查询集合，将 task_type 设置为 search_query

output = embed.text(
    texts=["What is the best vector database?"],
    model="nomic-embed-text-v1",
    task_type="search_query",
)

client.search(
    collection_name="my-collection",
    query_vector=output["embeddings"][0],
)

使用 FastEmbed 进行搜索

output = next(model.embed("What is the best vector database?"))

client.search(
    collection_name="my-collection",
    query_vector=output.tolist(),
)

更多信息，请参阅 Nomic 关于文本 embeddings 的文档。

此页面有用吗？

在本页