'commit'

dsSchoolBuddy/ElasticSearch/T3_InsertData.py

@@ -1,12 +1,12 @@
+import warnings
 import os
 import time
-import warnings
-
+from Config import Config
 from elasticsearch import Elasticsearch
 from langchain_core.documents import Document
-
-from Config import Config
 from Util.VectorUtil import text_to_vector_db  # 导入向量化工具函数
+from langchain_openai import OpenAIEmbeddings  # 直接导入嵌入模型
+from pydantic import SecretStr  # 用于包装API密钥
 
 # 抑制HTTPS相关警告
 warnings.filterwarnings('ignore', message='Connecting to .* using TLS with verify_certs=False is insecure')
@@ -60,8 +60,7 @@ def insert_long_text_to_es(long_text: str, tags: list = None) -> bool:
             es.indices.create(index=index_name, body=mapping)
             print(f"索引 '{index_name}' 创建成功")
 
-        # 3. 使用VectorUtil处理文本
-        # 这里我们创建一个临时的Document对象
+        # 3. 创建文档对象
         docs = [Document(page_content=long_text, metadata={"source": "user_provided_text"})]
 
         # 4. 获取当前时间
@@ -72,14 +71,15 @@ def insert_long_text_to_es(long_text: str, tags: list = None) -> bool:
             tags = ["general_text"]
         tags_dict = {"tags": tags, "full_content": long_text}
 
-        # 6. 使用VectorUtil中的功能获取嵌入向量
-        # 注意：我们需要修改text_to_vector_db函数或创建新函数来获取单个文档的嵌入
-        # 这里为了演示，我们直接调用text_to_vector_db并获取第一个文档的嵌入
-        vector_store, _, _ = text_to_vector_db(long_text)
+        # 6. 直接创建嵌入模型并生成向量
+        embeddings = OpenAIEmbeddings(
+            model=Config.EMBED_MODEL_NAME,
+            base_url=Config.EMBED_BASE_URL,
+            api_key=SecretStr(Config.EMBED_API_KEY)
+        )
 
-        # 7. 提取嵌入向量
-        # 注意：这里假设我们只处理一个文档
-        embedding = vector_store._embeddings.embed_documents([long_text])[0]
+        # 7. 生成文本嵌入向量
+        embedding = embeddings.embed_documents([long_text])[0]
 
         # 8. 插入数据到Elasticsearch
         doc = {