LlamaIndex DashScopeEmbedding api介绍-马育民老师

# 介绍

在 DashScope 中，`DashScopeEmbedding` 是用于生成文本向量嵌入的模型组件

官网：
https://developers.llamaindex.ai/python/framework-api-reference/embeddings/dashscope/

但官网介绍的参数太少了

# 参数解释

### model_name

指定嵌入模型名称，例如：

- `text-embedding-v1`（通用文本嵌入模型）  
- `text-embedding-v2`（升级版，支持更长文本）

不同模型的最大输入长度（Token 限制）不同。

### api_key

阿里云账号的 DashScope API 密钥，用于身份验证。

### dimensions（可选）

自定义输出向量的维度（部分模型支持，如 `text-embedding-v2` 可指定 768/1024 等维度）。

### input_type（可选）

输入文本类型，主要有两种常见取值：

- **`"query"`**：表示输入文本是“查询文本”（例如用户的问题、搜索关键词）。
- **`"document"`**：表示输入文本是“文档文本”（例如知识库中的段落、待检索的内容）。

### 作用原理

嵌入模型的核心是生成文本的向量表示，使得语义相似的文本在向量空间中距离更近。  
通过指定 `input_type`，模型可以：

1. 针对“查询”和“文档”的不同语义特点调整编码逻辑  
2. 让“查询向量”与“文档向量”在同一空间中更精准地匹配  
3. 提升后续检索（如 RAG 场景中“查询匹配文档”）的准确性

### 使用示例

```python
from dashscope.text.embedding import Embedding

# 生成查询文本的嵌入（用户问题）
query_embedding = Embedding.call(
    model=Embedding.Models.text_embedding_v2,
    input="DashScope 如何计费？",
    input_type="query",  # 明确标记为查询
    api_key="你的API密钥"
)

# 生成文档文本的嵌入（知识库内容）
doc_embedding = Embedding.call(
    model=Embedding.Models.text_embedding_v2,
    input="DashScope 仅在模型推理成功时计费，按 token 或调用量计算。",
    input_type="document",  # 明确标记为文档
    api_key="你的API密钥"
)
```

### 注意事项
- 若不指定 `input_type`，模型会默认按 `document` 处理。
- 在检索场景（如 RAG）中，强烈建议区分设置：查询用 `query`，文档用 `document`，可显著提升匹配精度。
- 部分模型可能仅支持特定的 `input_type` 取值，需参考官方文档确认。

简单说，`input_type` 就是告诉模型“这段文本是来提问的，还是来提供答案的”，帮助模型生成更贴合场景的向量。

原文出处：http://www.malaoshi.top/show_1GW1uS5ZXLQx.html