Ollama 是一款超级实用的工具，让你能够在本地轻松运行 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。
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-text
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 serve
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"}'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
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;}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。
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);}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。
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);}}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);}}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")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);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
以上是本地运行性能超越 OpenAI Text-Embedding-Ada-002 的 Embedding 服务，太方便了！的详细内容。更多信息请关注PHP中文网其他相关文章！
