本地运行性能超越 OpenAI Text-Embedding-Ada-002 的 Embedding 服务，太方便了！-51CTO.COM

Ollama[1] 是一款超级好用的工具，让你能够在本地轻松跑 Llama 2, Mistral, Gemma 等开源模型。本文我将介绍如何使用 Ollama 实现对文本的向量化处理。如果你本地还没有安装 Ollama，可以阅读这篇文章。

本文我们将使用 nomic-embed-text[2] 模型。它是一种文本编码器，在短的上下文和长的上下文任务上，性能超越了 OpenAI text-embedding-ada-002 和 text-embedding-3-small。

启动 nomic-embed-text 服务

当你已经成功安装好 ollama 之后，使用以下命令拉取 nomic-embed-text 模型：

ollama pull nomic-embed-text1.

待成功拉取模型之后，在终端中输入以下命令，启动 ollama 服务：

ollama serve1.

之后，我们可以通过 curl 来验证 embedding 服务是否能正常运行：

curl http://localhost:11434/api/embeddings -d '{
  "model": "nomic-embed-text",
  "prompt": "The sky is blue because of Rayleigh scattering"
}'1.
2.
3.
4.

使用 nomic-embed-text 服务

接下来，我们将介绍如何利用 langchainjs 和 nomic-embed-text 服务，实现对本地 txt 文档执行 embeddings 操作。相应的流程如下图所示：

图片

1.读取本地的 txt 文件

import { TextLoader } from "langchain/document_loaders/fs/text";

async function load(path: string) {
  const loader = new TextLoader(path);
  const docs = await loader.load();
  return docs;
}1.
2.
3.
4.
5.
6.
7.

在以上代码中，我们定义了一个 load 函数，该函数内部使用 langchainjs 提供的 TextLoader 读取本地的 txt 文档。

2.把 txt 内容分割成文本块

import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";
import { Document } from "langchain/document";

function split(documents: Document[]) {
  const splitter = new RecursiveCharacterTextSplitter({
    chunkSize: 500,
    chunkOverlap: 20,
  });
  return splitter.splitDocuments(documents);
}1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

在以上代码中，我们使用 RecursiveCharacterTextSplitter 对读取的 txt 文本进行切割，并设置每个文本块的大小是 500。

3.对文本块执行 embeddings 操作

const EMBEDDINGS_URL = "http://127.0.0.1:11434/api/embeddings";

async function embedding(path: string) {
  const docs = await load(path);
  const splittedDocs = await split(docs);

  for (let doc of splittedDocs) {
    const embedding = await sendRequest(EMBEDDINGS_URL, {
      model: "nomic-embed-text",
      prompt: doc.pageContent,
    });

    console.dir(embedding.embedding);
  }
}1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.

在以上代码中，我们定义了一个 embedding 函数，在该函数中，会调用前面定义的 load 和 split 函数。之后对遍历生成的文本块，然后调用本地启动的 nomic-embed-text embedding 服务。其中 sendRequest 函数用于发送 embeding 请求，它的实现代码很简单，就是使用 fetch API 调用已有的 REST API。

async function sendRequest(url: string, data: Record<string, any>) {
  try {
    const response = await fetch(url, {
      method: "POST",
      body: JSON.stringify(data),
      headers: {
        "Content-Type": "application/json",
      },
    });
    if (!response.ok) {
      throw new Error(`HTTP error! status: ${response.status}`);
    }
    const responseData = await response.json();
    return responseData;
  } catch (error) {
    console.error("Error:", error);
  }
}1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.

接着，我们继续定义一个 embedTxtFile 函数，在该函数内部直接调用已有的 embedding 函数并添加相应的异常处理。

async function embedTxtFile(path: string) {
  try {
    embedding(path);
  } catch (error) {
    console.dir(error);
  }
}

embedTxtFile("langchain.txt")1.
2.
3.
4.
5.
6.
7.
8.
9.

最后，我们通过 npx esno src/index.ts 命令来快速执行本地的 ts 文件。若成功执行 index.ts 中的代码，在终端将会输出以下结果：

图片

其实，除了使用上述的方式之外，我们还可以直接利用 @langchain/community 模块中的 [OllamaEmbeddings](https://js.langchain.com/docs/integrations/text_embedding/ollama "OllamaEmbeddings") 对象，它内部封装了调用 ollama embedding 服务的逻辑：

import { OllamaEmbeddings } from "@langchain/community/embeddings/ollama";

const embeddings = new OllamaEmbeddings({
  model: "nomic-embed-text", 
  baseUrl: "http://127.0.0.1:11434",
  requestOptions: {
    useMMap: true,
    numThread: 6,
    numGpu: 1,
  },
});

const documents = ["Hello World!", "Bye Bye"];
const documentEmbeddings = await embeddings.embedDocuments(documents);
console.log(documentEmbeddings);1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.

本文介绍的内容涉及开发 RAG 系统时，建立知识库内容索引的处理过程。如果你对 RAG 系统还不了解的话，可以阅读相关的文章。

参考资料

[1]Ollama: https://ollama.com/

[2]nomic-embed-text: https://ollama.com/library/nomic-embed-text