05-Qwen3的嵌入模型和langchain的整合

由于目前Langchain还无法实现直接调用Qwen3-Embedding模型 ，所以仿造huggingface.py中的HuggingFaceEmbeddings(BaseModel, Embeddings)​​​​​​函数​，自定义实现 LangChain 标准的 Embeddings 接口，将通义千问的 Qwen3-Embedding 模型（Qwen/Qwen3-Embedding-0.6B）整合到 LangChain 生态中，让该模型可以直接用于 LangChain 的向量数据库、检索增强（RAG）等场景。

from langchain_core.embeddings import Embeddings from sentence_transformers import SentenceTransformer class CustomQwen3Embeddings(Embeddings): ''' 定义一个Qwen3的Embedding和lang'chain整合的类 ''' def __init__(self,model_name): self.qwen3_embedding = SentenceTransformer(model_name) #输入的问题向量化 def embed_query(self, text: str) -> list[float]: return self.embed_documents([text])[0] #文本内容向量化 def embed_documents(self, texts: list[str]) -> list[list[float]]: return self.qwen3_embedding.encode(texts) if __name__ == '__main__': qwen3=CustomQwen3Embeddings('Qwen/Qwen3-Embedding-0.6B') resp=qwen3.embed_documents( ['I like large language models', '今天的天气不错！'] ) print(resp[0]) print(len(resp[0]))

输出：