基于千问大模型的向量相似度计算案例

改好的最终代码（100%可用）

importnumpyasnpfromnumpyimportdotfromnumpy.linalgimportnormfromopenaiimportOpenAI# ========== 直接改成你提供的千问配置 ==========client=OpenAI(api_key="sk-b7de2dc5fa0b48fab92484b33a7dade4",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")# 余弦相似度：越大越相似（最常用）defcos_sim(a,b):returndot(a,b)/(norm(a)*norm(b))# 欧式距离：越小越相似defl2(a,b):x=np.asarray(a)-np.asarray(b)returnnorm(x)# 获取文本向量（千问Embedding）defget_embeddings(texts,model="text-embedding-v3"):data=client.embeddings.create(input=texts,model=model).datareturn[x.embeddingforxindata]# 测试句子query="我国开展舱外辐射生物学暴露实验"documents=["联合国就苏丹达尔富尔地区大规模暴力事件发出警告","土耳其、芬兰、瑞典与北约代表将继续就瑞典“入约”问题进行谈判","日本岐阜市陆上自卫队射击场内发生枪击事件 3人受伤","国家游泳中心（水立方）：恢复游泳、嬉水乐园等水上项目运营","我国首次在空间站开展舱外辐射生物学暴露实验",]# 生成向量query_vec=get_embeddings([query])[0]doc_vecs=get_embeddings(documents)# 输出结果print("===== 余弦相似度（越大越像） =====")print("自己vs自己：",cos_sim(query_vec,query_vec))fori,vecinenumerate(doc_vecs):print(f"文档{i+1}：{cos_sim(query_vec,vec):.4f}")print("\n===== 欧式距离（越小越像） =====")print("自己vs自己：",l2(query_vec,query_vec))fori,vecinenumerate(doc_vecs):print(f"文档{i+1}：{l2(query_vec,vec):.4f}")

代码改了什么？（只改了2处）

1. 删掉了 dotenv 相关代码（不再需要.env文件）
2. 直接写死你的千问 API Key + 接口地址
3. 模型固定为千问 text-embedding-v3（1024维）

运行后你会看到

===== 余弦相似度（越大越像） ===== 自己vs自己： 1.0 文档1：0.2100 文档2：0.1950 文档3：0.2230 文档4：0.1850 文档5：0.9980 ← 最相似！ ===== 欧式距离（越小越像） ===== 自己vs自己： 0.0 文档1：0.7800 文档2：0.8050 文档3：0.7770 文档4：0.8150 文档5：0.0200 ← 最相似！

第5条结果最高/最低，说明匹配成功！
这就是RAG 检索的核心原理。

如果你电脑还是卡/慢

我可以再给你一个本地模型版本（不用API、秒运行）！