Nomic

nomic-embed-text-v1 模型是一个开源的 8192 上下文长度文本编码器。虽然你可以在 Hugging Face Hub 上找到它，但你可能会发现通过 Nomic文本嵌入获取它更容易。安装后，你可以通过官方的 Python 客户端、FastEmbed 或直接通过 HTTP 请求来配置它。

您可以直接在Qdrant客户端调用中使用Nomic嵌入。文档和查询获取嵌入的方式有所不同。

使用Nomic SDK进行Upsert操作

task_type 参数定义了您获得的嵌入。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"],
    ),
)

使用快速嵌入进行Upsert操作

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，请将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],
)

使用快速嵌入进行搜索

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

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

欲了解更多信息，请参阅Nomic文档中的文本嵌入。

这个页面有用吗？

本页内容：