LlamaIndex嵌入被禁用致node_mappings为空，如何启用嵌入？

问题根源 #

出现Embeddings have been explicitly disabled. Using MockEmbedding.提示，说明LlamaIndex未配置有效的嵌入模型，自动使用了MockEmbedding——这是仅用于测试的假嵌入，不会生成真实向量表示。后续构建索引时，无法基于向量创建节点与索引的关联映射，最终导致node_mappings_2021为空字典。

解决方案 #

要启用真实的Embeddings，需完成以下配置：

1. 选择并配置嵌入模型

根据需求选择合适的嵌入模型，以下是两种常用方案：

方案一：使用OpenAI官方嵌入模型（需API密钥）

• 首先在Colab中设置OpenAI API密钥环境变量：

  import os
  os.environ["OPENAI_API_KEY"] = "你的OpenAI API密钥"
  

• 显式初始化嵌入模型：

  from llama_index.embeddings.openai import OpenAIEmbedding
  embed_model = OpenAIEmbedding(model="text-embedding-ada-002")
  

方案二：使用开源HuggingFace嵌入模型（免费无API）

• 先安装依赖（Colab中执行）：

  !pip install llama-index-embeddings-huggingface
  

• 初始化嵌入模型：

  from llama_index.embeddings.huggingface import HuggingFaceEmbedding
  embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-small-en-v1.5")
  

2. 将嵌入模型传入LlamaIndex组件

确保在构建索引或处理节点时，将初始化好的embed_model传入对应组件。例如：

• 直接从文档构建索引时：

  from llama_index.core import VectorStoreIndex
  index = VectorStoreIndex.from_documents(docs_2021, embed_model=embed_model)
  

• 如果是先解析节点再构建索引，需在索引初始化时传入embed_model：

  raw_nodes_2021 = node_parser.get_nodes_from_documents(docs_2021)
  index = VectorStoreIndex(raw_nodes_2021, embed_model=embed_model)
  

3. 检查并移除禁用嵌入的配置

查看notebook中是否存在类似以下的代码，若有需删除或修改：

from llama_index.core import Settings
Settings.embed_model = "mock"  # 这类配置会强制使用MockEmbedding

验证效果 #

重新运行代码后，若不再出现MockEmbedding的提示，说明嵌入模型已生效。此时node_mappings_2021会包含节点与索引的关联映射，不再是空字典。

内容的提问来源于stack exchange，提问作者Javier