Tensor对象无embed_documents属性错误求助（FAISS存储嵌入向量）

这个错误的核心原因是你误将生成好的embedding张量（Tensor/NumPy数组）当成了Embeddings类实例传入FAISS的初始化方法（比如LangChain的FAISS.from_documents），而这类方法需要的是实现了embed_documents接口的Embeddings对象，不是直接的向量数据。

正确操作流程 #

场景1：手动生成了embedding向量，直接构建FAISS存储 #

假设你已经有分割好的文档块列表，以及转成二维NumPy数组的embedding向量，直接绕开需要Embeddings对象的便捷方法，手动构建FAISS索引：

import faiss
import numpy as np
from langchain.vectorstores import FAISS
from langchain.schema import Document

# docs是你的文档块列表，embeddings是二维NumPy数组（形状为[样本数, 向量维度]）
dimension = embeddings.shape[1]
# 创建FAISS基础索引
index = faiss.IndexFlatL2(dimension)
# 将向量添加到索引
index.add(embeddings)
# 初始化LangChain的FAISS存储对象
vector_store = FAISS(embedding_function=None, index=index, docstore=dict(), index_to_docstore_id=dict())
# 关联文档块与向量索引
for i, doc in enumerate(docs):
    vector_store.docstore.add(str(i), doc)
    vector_store.index_to_docstore_id[i] = str(i)

场景2：使用框架内置的Embeddings类生成并存储 #

如果希望用FAISS.from_documents这类便捷方法，确保传入的是标准Embeddings类实例，而非手动生成的张量：

from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS

# 初始化符合接口要求的Embeddings对象（以HuggingFace模型为例）
embedding_model = HuggingFaceEmbeddings(model_name="你的模型名称")
# 方法会自动调用embed_documents生成向量并构建索引
vector_store = FAISS.from_documents(docs, embedding_model)

场景3：纯FAISS使用（不依赖LangChain） #

如果只是用FAISS存储向量，直接调用FAISS原生API即可：

import faiss
import numpy as np

# embeddings为二维NumPy数组
index = faiss.IndexFlatL2(embeddings.shape[1])
index.add(embeddings)
# 保存索引到本地
faiss.write_index(index, "faiss_index.index")

常见误区排查 #

• 不要将手动生成的embedding张量传给需要Embeddings对象的方法，这类方法内部会调用embed_documents生成向量，而张量没有该方法，因此报错。
• 转NumPy数组时必须保证是二维数组，一维数组会导致索引创建失败。

内容的提问来源于stack exchange，提问作者Shaista Habib