`handle_embeddings`

使用 Ollama embedding model

Akasha 可以使用 Ollama 提供的 embedding model。請先啟動 Ollama，並下載模型：

ollama pull nomic-embed-text

接著使用 ollama: alias 建立 embedding object：

import akasha.helper as ah

embedding_model = ah.handle_embeddings("ollama:nomic-embed-text")
query_vector = embedding_model.embed_query("什麼是檢索？")

預設會連線到 http://localhost:11434。如果 Ollama 執行在其他主機，可以設定 OLLAMA_API_BASE：

OLLAMA_API_BASE=http://192.168.1.10:11434

也可以直接在 alias 中指定 endpoint：

embedding_model = ah.handle_embeddings(
    "ollama:http://192.168.1.10:11434@nomic-embed-text"
)

akasha.helper.handle_embeddings() 可以根據 Provider 別名、既有 Embedding 物件或自訂 Embedding function 建立 Embedding 物件。

import akasha.helper as ah

embedding_model = ah.handle_embeddings(
    "openai:text-embedding-3-small"
)

回傳的物件遵循 LangChain 的 Embeddings 介面。

query_vector = embedding_model.embed_query("什麼是檢索？")
document_vectors = embedding_model.embed_documents(
    ["第一份文件", "第二份文件"]
)

方法	回傳值
`embed_query(text)`	一個由浮點數組成的向量清單。
`embed_documents(texts)`	向量清單，每段輸入文字對應一個向量。

常見別名包括：

openai:text-embedding-3-small
gemini:gemini-embedding-001
hf:BAAI/bge-base-en-v1.5

本機 Hugging Face Embedding 可能需要完整安裝；遠端 Provider 則需要設定對應的環境變數。

Note

向量維度由選用的 Embedding 模型決定。請儲存並比較相容模型產生的向量，不要直接混用不同向量空間的結果。