大网数据广告活动
数据库部署与 SQL 参考

TiDB 中文参考:Auto Embedding

· 52CE 我爱测

# Auto Embedding Auto Embedding 功能会为你的文本数据自动生成向量嵌入。 > **注意:** > > 有关 Auto Embedding 的完整示例,请参见 Auto Embedding Example。 ## 基本用法 本文档使用 TiDB Cloud 托管的嵌入模型进行演示。有关支持的全部提供商列表,请参见 Auto Embedding Overview。 ### 第 1 步. 定义嵌入函数 定义一个嵌

Auto Embedding

Auto Embedding 功能会为你的文本数据自动生成向量嵌入。

注意:

有关 Auto Embedding 的完整示例,请参见 Auto Embedding Example。

基本用法

本文档使用 TiDB Cloud 托管的嵌入模型进行演示。有关支持的全部提供商列表,请参见 Auto Embedding Overview。

第 1 步. 定义嵌入函数

定义一个嵌入函数,用于为你的文本数据生成向量嵌入。

from pytidb.embeddings import EmbeddingFunction

embed_func = EmbeddingFunction(
    model_name="tidbcloud_free/amazon/titan-embed-text-v2",
)

第 2 步. 创建表和向量字段

使用 embed_func.VectorField() 在表结构中创建一个向量字段。

要启用 Auto Embedding,请将 source_field 设置为你想要嵌入的字段。

from pytidb.schema import TableModel, Field
from pytidb.datatype import TEXT

class Chunk(TableModel):
    id: int = Field(primary_key=True)
    text: str = Field(sa_type=TEXT)
    text_vec: list[float] = embed_func.VectorField(source_field="text")

table = client.create_table(schema=Chunk, if_exists="overwrite")

你无需指定 dimensions 参数,因为嵌入模型会自动确定维度。

不过,你也可以设置 dimensions 参数来覆盖默认维度。

第 3 步. 插入一些示例数据

向表中插入一些示例数据。

table.bulk_insert([
    Chunk(text="TiDB is a distributed database that supports OLTP, OLAP, HTAP and AI workloads."),
    Chunk(text="PyTiDB is a Python library for developers to connect to TiDB."),
    Chunk(text="LlamaIndex is a Python library for building AI-powered applications."),
])

插入数据时,text_vec 字段会自动被由 text 生成的嵌入向量填充。

第 4 步. 执行向量查询

你可以将查询文本直接传递给 search() 方法。查询文本会被 Auto Embedding,然后用于向量查询。

table.search("HTAP database").limit(3).to_list()

本文来自 PingCAP / TiDB 文档贡献者,按 CC BY-SA 3.0 整理版式与相对链接,保留正文与代码。图示请参阅原文。作者与贡献记录。

资料来源与适用范围

资料来源
PingCAP / TiDB 文档贡献者
适用范围
master 文档快照(2026-11-16)
内容语言
中文;命令、路径和错误标识保留技术原文
本地收录日期
2026-11-16
授权说明
CC BY-SA 3.0

正文与所需资源由本站本地存储。查看来源及更新记录 ↗

请按适用版本和实际日志确认原因;本站没有对每一种系统或设备逐项执行文中的操作。