AI开发-python-milvus向量数据库（AI开发-python-langchain框架（3-1向量化））

之前讲了milvus向量数据库如何使用，但是如何把文本信息转成向量？这个问题一直没有讲，今天就讲讲，这是构建RAG关键的一步，咱们使用all-MiniLM-L6-v2本地模型将文本转成向量。

为什么用它最直接的原因是免费还好用，调用各大平台的向量模型是要收费的，所以使用本地化向量模型从部署到使用都是免费的。

all-MiniLM-L6-v2 是 Sentence-BERT（SBERT） 系列中最经典、最常用的轻量级文本嵌入模型，核心作用和特点如下：

1. 核心功能：文本→向量的 "语义转换器"

该模型的核心作用是 将任意长度的文本（句子 / 短语 / 短段落）转换为固定维度（384 维）的稠密向量（也叫嵌入向量 / Embedding），且转换后的向量具备以下关键特性：

语义关联性：语义相似的文本，生成的向量在向量空间中的距离也更近（比如 "猫抓老鼠" 和 "猫咪捉老鼠" 的向量相似度极高）；
数值归一化：输出向量默认做了 L2 归一化，可直接用于余弦相似度计算；
多语言兼容：对中文、英文等主流语言都有较好的语义捕捉能力（无需额外适配）。

2. 典型应用场景（为什么这个模型被广泛使用）

表格

应用场景	具体作用
文本相似度计算	计算两个句子的余弦相似度，用于查重、语义匹配（如问答匹配、文本聚类）
向量检索（RAG 核心）	将文本向量存入向量数据库（如 FAISS/Milvus），实现 "语义检索"（而非关键词检索）
文本分类 / 聚类	用生成的向量作为特征输入，训练轻量级分类器（如情感分析、意图识别）
大模型 RAG 增强	作为 RAG（检索增强生成）的核心组件，将用户问题和知识库文本转为向量，实现精准检索

3. 模型的核心优势（为什么选它而非其他模型）

轻量级：模型体积小（约 800MB）、推理速度快，适合本地部署或低算力场景；
效果均衡：在 "速度 - 效果" 权衡中表现最优，384 维向量既保证语义信息量，又避免维度爆炸；
易用性：通过 SentenceTransformer 库可一键加载，无需手动处理分词、模型微调等复杂步骤；
开源免费：基于 MIT 协议，可商用，无版权限制。

4. 补充说明

该模型的输出维度固定为 384 维，是 MiniLM 系列（简化版 BERT）的优化版本；
若需要更高的语义精度，可选择all-mpnet-base-v2（768 维，效果更好但体积更大）；
若需要更低的算力消耗，可选择all-MiniLM-L4-v2（384 维，推理更快）。

看看代码部分

复制代码

# 导入SentenceTransformer库，该库专门用于加载和使用预训练的句子/文本嵌入模型
from sentence_transformers import SentenceTransformer

# ===================== 核心配置 =====================
# 本地模型文件的存储路径（需确保该路径下有完整的all-MiniLM-L6-v2模型文件）
model_path = "D:\\pythonProject2024\\pythonProject\\modelTest\\model\\all-MiniLM-L6-v2"

# ===================== 模型加载 =====================
# 加载本地预训练的all-MiniLM-L6-v2模型
# 该模型是轻量级的句子嵌入模型，核心用于将文本转换为固定维度的向量表示
model = SentenceTransformer(model_path)

# ===================== 示例文本 =====================
# 待生成向量嵌入的示例文本列表（支持多语言，中文/英文均可）
sentences = [
    "这是第一个示例句子",
    "这是第二个示例句子",
    "Hello, how are you?"
]

# ===================== 生成向量嵌入 =====================
# 调用模型的encode方法，将文本列表转换为向量嵌入
# encode方法会自动完成文本预处理（分词、归一化）→ 模型推理 → 向量归一化的全流程
embeddings = model.encode(sentences)

# ===================== 结果输出 =====================
# 打印向量维度：all-MiniLM-L6-v2固定输出384维向量
print(f"向量维度: {embeddings.shape[1]}")  # 输出: 向量维度: 384

# 遍历打印每个句子的向量（仅显示前5个元素，避免输出过长）
for i, embedding in enumerate(embeddings):
    print(f"句子 {i+1} 的向量: {embedding[:5]}...")  # 示例输出: 句子 1 的向量: [0.0123, -0.0456, 0.0789, 0.0234, -0.0567]...

数据结果：

向量维度: 384

句子 1 的向量: [-0.01811877 0.10055622 0.07948062 0.00487238 0.02543747]...

句子 2 的向量: [-0.05084108 0.09896706 0.01865453 -0.02641223 -0.04201426]...

句子 3 的向量: [ 0.01909676 0.03446515 0.09162795 0.07016529 -0.02994661]...

补充说明，向量的维度是由选择的向量模型决定的

python环境的依赖如下：