本文介紹如何通過模型服務靈積DashScope將文本轉換為向量，并入庫至向量檢索服務DashVector中進行向量檢索。
模型服務靈積DashScope，通過靈活、易用的模型API服務，讓各種模態模型的能力，都能方便的為AI開發者所用。通過靈積API，開發者不僅可以直接集成大模型的強大能力，也可以對模型進行訓練微調，實現模型定制化。
前提條件
DashVector：
已創建Cluster：創建Cluster
已獲得API-KEY：API-KEY管理
已安裝最新版SDK：安裝DashVector SDK
DashScope：
已開通服務并獲得API-KEY：開通DashScope并創建API-KEY
已安裝最新版SDK：安裝DashScope SDK
通用文本向量
簡介
通用文本向量，是通義實驗室基于LLM底座的多語言文本統一向量模型，面向全球多個主流語種，提供高水準的向量服務，幫助開發者將文本數據快速轉換為高質量的向量數據。
模型名稱 | 向量維度 | 度量方式 | 向量數據類型 | 備注 |
text-embedding-v1 | 1536 | Cosine | Float32 |
|
text-embedding-v2 | 1536 | Cosine | Float32 |
|
關于靈積通用文本向量更多信息請參考：通用文本向量。
使用示例
需要進行如下替換代碼才能正常運行：
DashVector api-key替換示例中的{your-dashvector-api-key}
DashVector Cluster Endpoint替換示例中的{your-dashvector-cluster-endpoint}
DashScope api-key替換示例中的{your-dashscope-api-key}
import dashscope
from dashscope import TextEmbedding
from dashvector import Client
from typing import List, Union
dashscope.api_key = '{your-dashscope-api-key}'
# 調用DashScope通用文本向量模型，將文本embedding為向量
def generate_embeddings(texts: Union[List[str], str], text_type: str = 'document'):
rsp = TextEmbedding.call(
model=TextEmbedding.Models.text_embedding_v2,
input=texts,
text_type=text_type
)
embeddings = [record['embedding'] for record in rsp.output['embeddings']]
return embeddings if isinstance(texts, list) else embeddings[0]
# 創建DashVector Client
client = Client(
api_key='{your-dashvector-api-key}',
endpoint='{your-dashvector-cluster-endpoint}'
)
# 創建DashVector Collection
rsp = client.create('dashscope-text-embedding', 1536)
assert rsp
collection = client.get('dashscope-text-embedding')
assert collection
# 向量入庫DashVector
collection.insert(
('ID1', generate_embeddings('阿里云向量檢索服務DashVector是性能、性價比具佳的向量數據庫之一'))
)
# 向量檢索
docs = collection.query(
generate_embeddings('The best vector database', 'query')
)
print(docs)
相關最佳實踐
ONE-PEACE多模態向量表征
ONE-PEAC是一個圖文音三模態通用表征模型，同樣可通過ONE-PEAC將文本轉換為向量。