Embedding：托管服务与企业平台

不可变的索引契约

对向量索引来说，provider/model/revision、输出维度、query/document task type 或 prompt、归一化、截断策略与距离度量共同构成 schema。任一项改变都不能对旧索引原地混写，而应建新索引、回填、评测、alias 切换并保留回滚窗口。

集成与特性

类 / 包	关键参数/能力	生产风险
`AzureOpenAIEmbeddings` / `langchain-openai`	Azure endpoint/deployment/API version，API key 或 Entra ID；`embed_query/documents`	deployment 与 dimension 锁定；不与 OpenAI 官方 endpoint 的 key/base URL 混用
`BasetenEmbeddings` / `langchain-baseten`	Baseten key + model/deployment，可直接给 vector store	输出维度与预处理由自定义部署决定；升级 deployment 等同 schema 变更
`BedrockEmbeddings` / `langchain-aws`	AWS credential chain + region + Bedrock model	文档页的安装只强调 `boto3`，示例类来自 `langchain_aws`；实际环境需显式验证包依赖和 model access
`CohereEmbeddings` / `langchain-cohere`	key/model，query/doc embedding	核对 input type（query/document）与 multilingual model；不同 task 结果不混用
`DatabricksEmbeddings` / `databricks-langchain`	serving endpoint，workspace 内外身份，async 支持	需 endpoint 事先存在；记录 endpoint config/version，并限制 batch 和超时
`ElasticsearchEmbeddings` / `langchain-elasticsearch`	可从 credentials 或现有 Elasticsearch client 初始化	连接身份和模型端点需分离；页面为简短示例，需自补版本/维度校验
`FireworksEmbeddings` / `langchain-fireworks`	key/model，query/doc	pin model/endpoint，对 429 做有界批量重试
`GoogleGenerativeAIEmbeddings` / `langchain-google-genai`	`model`、`output_dimensionality`，batch，`RETRIEVAL_QUERY`/`RETRIEVAL_DOCUMENT`，custom endpoint/timeout/headers	维度可 768/1536/3072 等，一旦选定就是 schema；query/doc task type 必须分开，preview model 不默认上生产
`VertexAIEmbeddings` / `langchain-google-vertexai`	GCP ADC/project/location + model	API/Vertex backend 不可随意切换；地域、配额和 model revision 写入索引元数据
`WatsonxEmbeddings` / `langchain-ibm`	key/token + project，可配 truncate input tokens	截断会改变语义；选择拒绝超长、预分块还是截断必须版本化
`MistralAIEmbeddings` / `langchain-mistralai`	key/model，query/doc	锁定模型和 batch，换 model 后全量重建
`NVIDIAEmbeddings` / `langchain-nvidia-ai-endpoints`	API Catalog 或本地 NIM `base_url`；`truncate=NONE/START/END`，可和 reranker/RAG 组合	默认超长报错最安全；截头/尾必须显式且入 schema。NIM 镜像、GPU 与许可另行运维
`OCIGenAIEmbeddings` / `langchain-oci`	model ID、service endpoint、compartment，支持 text 与特定模型的 image embedding，async	文本与图像向量空间只在模型明确支持时可混合；地域/IAM/model access 必查
`OpenAIEmbeddings` / `langchain-openai`	`text-embedding-3-*`，`dimensions`；支持 Azure OpenAI v1 base URL 和 Entra token provider	`dimensions` 一经选定不可漂移；同步/异步凭据对象区分，custom base URL 先验兼容
`OracleEmbeddings` / `langchain-oracledb`	Oracle DB 内 ONNX/provider embedding，支持外部 credential/proxy	database provider 无需第三方凭据；外部 provider 则需数据库 credential，必须最小权限与轮换
`PerplexityEmbeddings` / `langchain-perplexity`	key/model，query/doc，async	异步与同步路径分别压测；参数/维度不从 ChatPerplexity 推断
`PineconeEmbeddings` / `langchain-pinecone>=0.2.0`	Pinecone key + embedding model	页面较精简；输出必须与 Pinecone index dimension/metric 预校验
`SambaNovaEmbeddings` / `langchain-sambanova`	key/model，query/doc	和 Chat 分离配额；固定维度和 batch
`TogetherEmbeddings` / `langchain-together`	key/model，query/doc	多模型目录会变，不使用漂移别名；重建前跑域内评测
`UpstageEmbeddings` / `langchain-upstage`	key/model，与 vector store 集成	页面示例较精简；明确 query/document 用法与向量归一化
`VoyageAIEmbeddings` / `langchain-voyageai`	Voyage model，页面以最小 KNN retrieval 为例	文档未展开全部配置；需另查 model input type、dimension、context 和 rate limit，不与 reranker model 混淆

批量、超时与重试

索引批处理以输入 token/字节数为主要上限，不只看文档条数；使用有界 worker pool 和 provider 限流器。
对 429/5xx 只重试当前 batch，使用稳定 chunk/source ID 做 upsert 幂等；不在每次重试中创建新索引记录。
超长默认拒绝或重新分块，不静默截断。如必须截断，记录方向/原始长度并纳入质量评测。

数据保护

托管 embedding 也是向第三方发送原文。在调用前完成 tenant 授权、数据分类和必要脱敏，不在 trace 记录完整 chunk。数据库内生成、私网端点或本地 NIM 可缩小外发面，但仍需服务权限和日志脱敏。

验证

对 embed_query 和 embed_documents 分别做维度、finite value、空文本、非 ASCII、超长和批量边界测试。
使用固定 query-document 样本检查排序与阈值，不只验证 API 返回 200。
对目标 vector store 校验 dimension/metric/normalization，并在切换前运行新旧索引 shadow retrieval 对比。