test_siliconflow_embedder.py•2.45 kB
#!/usr/bin/env python3
"""
测试SiliconFlow嵌入器
"""
import sys
from pathlib import Path
# 添加src路径
sys.path.insert(0, str(Path(__file__).parent / "src"))
from memos.configs.embedder import EmbedderConfigFactory
from memos.embedders.factory import EmbedderFactory
from usage_examples import load_env_file
def test_siliconflow_embedder():
"""测试SiliconFlow嵌入器"""
print("🧪 测试SiliconFlow嵌入器")
print("=" * 50)
# 加载环境变量
load_env_file()
# 创建SiliconFlow嵌入器配置
config = EmbedderConfigFactory.model_validate({
"backend": "siliconflow",
"config": {
"model_name_or_path": "Qwen/Qwen3-Embedding-0.6B",
"model_name": "Qwen/Qwen3-Embedding-0.6B",
"api_key": "sk-ygqlrgrxrypykiiskuspuahkwihhbhhjhazqokntwdzfwqdv",
"api_base": "https://api.siliconflow.cn/v1",
"embedding_dims": 1024
}
})
print("✅ 配置创建成功")
# 创建嵌入器
embedder = EmbedderFactory.from_config(config)
print("✅ 嵌入器创建成功")
# 测试嵌入
test_texts = [
"这是一个测试文本",
"MemOS是一个智能记忆管理系统",
"SiliconFlow提供高质量的AI API服务"
]
print(f"🔄 正在为{len(test_texts)}个文本生成嵌入向量...")
try:
embeddings = embedder.embed(test_texts)
print("✅ 嵌入生成成功！")
print(f"📊 嵌入统计:")
print(f" 文本数量: {len(test_texts)}")
print(f" 嵌入向量数量: {len(embeddings)}")
print(f" 向量维度: {len(embeddings[0]) if embeddings else 0}")
# 显示部分嵌入向量
for i, (text, embedding) in enumerate(zip(test_texts, embeddings)):
print(f"\n📝 文本 {i+1}: {text}")
print(f"🔢 向量前5维: {embedding[:5]}")
print(f"📏 向量长度: {len(embedding)}")
return True
except Exception as e:
print(f"❌ 嵌入生成失败: {e}")
return False
if __name__ == "__main__":
success = test_siliconflow_embedder()
if success:
print("\n🎉 SiliconFlow嵌入器测试成功！")
print("现在可以在MemOS中使用SiliconFlow嵌入模型了。")
else:
print("\n❌ SiliconFlow嵌入器测试失败")
sys.exit(1)