feat: init project

app/utils/CustomEmbeddings.py

@@ -0,0 +1,72 @@
+import json
+
+import requests
+from langchain_core.embeddings import Embeddings
+
+
+class CustomEmbeddings(Embeddings):
+  """
+  自定义文本嵌入类，用于将文本转换为向量表示
+  继承自LangChain的Embeddings基类
+  """
+
+  def __init__(self, base_url, api_key, model):
+    """
+    初始化自定义嵌入类
+
+    参数:
+    base_url: API的基础URL
+    api_key: 访问API所需的密钥
+    model: 要使用的嵌入模型名称
+    """
+    self.base_url = base_url  # API基础URL
+    self.api_key = api_key  # API访问密钥
+    self.model = model  # 嵌入模型名称
+
+  def embed_documents(self, texts):
+    """
+    将多个文档转换为嵌入向量
+
+    参数:
+    texts: 包含多个文本的列表
+
+    返回:
+    包含每个文本对应嵌入向量的列表
+    """
+    # 设置请求头，包括内容类型和认证信息
+    headers = {
+      "Content-Type": "application/json",
+      "Authorization": f"Bearer {self.api_key}"
+    }
+
+    # 构建请求负载
+    payload = {"input": texts, "model": self.model, "encoding_format": "float"}
+
+    # 发送POST请求到嵌入API
+    response = requests.post(
+      f"{self.base_url}/embeddings",
+      headers=headers,
+      data=json.dumps(payload)
+    )
+
+    # 检查请求是否成功，如果失败则抛出异常
+    response.raise_for_status()
+
+    # 解析响应JSON数据
+    json_data = response.json()
+
+    # 从响应数据中提取嵌入向量并返回
+    return [item["embedding"] for item in json_data["data"]]
+
+  def embed_query(self, text):
+    """
+    将单个查询文本转换为嵌入向量
+
+    参数:
+    text: 查询文本
+
+    返回:
+    对应的嵌入向量
+    """
+    # 调用embed_documents处理单个文本，并返回第一个结果
+    return self.embed_documents([text])[0]