import ollama
resp = ollama.embed(
model="nomic-embed-text:v1.5",
input="search_document: Le contrat est résilié en cas de manquement grave.",
)
vec = resp["embeddings"][0]
print(f"Dimension du vecteur : {len(vec)}")
print(f"5 premières valeurs : {vec[:5]}")
您应该会看到输出「Dimension du vecteur : 768」。如果程序报错并显示 model not found,说明尚未执行 ollama pull nomic-embed-text。
i
索引前缀与一致性
Nomic v1.5 要求在每个 chunk 前加上 search_document:,在问题前加上 search_query:。不要在同一个集合中混用由其他模型、维度或约定生成的向量。模型说明页并不能证明您的语料库可以达到“法语 top 5”排名。
#3. 导入法语PDF
摄取过程会做三件事:读取 PDF 的页面,将文本切分成大小合理的块,并在持久化模式下将每个块及其 embedding 存储到 ChromaDB 中。
ingest.py
import os
import chromadb
import ollama
from pypdf import PdfReader
client = chromadb.PersistentClient(path="./chroma_db")
# Nouveau nom : un ancien index "docs" peut encore utiliser la distance L2.
collection = client.get_or_create_collection(
name="docs_nomic_v15_cosine",
configuration={"hnsw": {"space": "cosine"}},
)
def chunk_text(text, size=800, overlap=100):
chunks = []
start = 0
while start < len(text):
end = min(start + size, len(text))
chunk = text[start:end].strip()
if chunk:
chunks.append(chunk)
start += size - overlap
return chunks
def ingest_pdf(path):
reader = PdfReader(path)
name = os.path.basename(path)
# Ce dossier d'exemple suppose des noms de fichiers uniques.
# Retire aussi les chunks devenus obsolètes si le PDF a été raccourci.
collection.delete(where={"source": name})
count = 0
for page_num, page in enumerate(reader.pages):
text = page.extract_text() or ""
for i, chunk in enumerate(chunk_text(text)):
emb = ollama.embed(
model="nomic-embed-text:v1.5",
input="search_document: " + chunk,
)["embeddings"][0]
collection.upsert(
ids=[f"{name}-p{page_num}-c{i}"],
embeddings=[emb],
documents=[chunk],
metadatas=[{"source": name, "page": page_num + 1}],
)
count += 1
print(f"OK : {name} ({len(reader.pages)} pages, {count} chunks indexés)")
if __name__ == "__main__":
for f in os.listdir("./pdfs"):
if f.lower().endswith(".pdf"):
ingest_pdf(f"./pdfs/{f}")
import ollama
from search import search
SYSTEM = """Tu es un assistant qui répond uniquement à partir du CONTEXTE fourni.
Si la réponse n'est pas dans le contexte, dis-le clairement.
Cite tes sources entre crochets sous la forme [source.pdf p.X]."""
def ask(question):
hits = search(question, k=4)
if not hits:
return "Aucun passage indexé disponible pour répondre."
context = "\n\n".join(
f"[{m['source']} p.{m['page']}]\n{c}" for c, m in hits
)
prompt = f"CONTEXTE :\n{context}\n\nQUESTION : {question}"
resp = ollama.chat(
model="qwen3.5:9b",
messages=[
{"role": "system", "content": SYSTEM},
{"role": "user", "content": prompt},
],
options={"temperature": 0.2, "num_ctx": 8192},
)
return resp["message"]["content"]
if __name__ == "__main__":
while True:
q = input("\nQuestion (vide pour quitter) > ").strip()
if not q:
break
print("\n" + ask(q))