AI21Embeddings

此服務已棄用。 ::

這將幫助您開始使用 LangChain 的 AI21 嵌入模型。 有關 AI21Embeddings 功能和組態選項的詳細文件，請參閱 API 參考文件。

概觀

整合詳細資訊

供應商	套件
AI21	langchain-ai21

設定

若要存取 AI21 嵌入模型，您需要建立 AI21 帳戶、取得 API 金鑰，並安裝 langchain-ai21 整合套件。

憑證

前往 https://docs.ai21.com/ 註冊 AI21 並產生 API 金鑰。 完成後，設定 AI21_API_KEY 環境變數

import getpass
import os

if not os.getenv("AI21_API_KEY"):
    os.environ["AI21_API_KEY"] = getpass.getpass("Enter your AI21 API key: ")

如果您想要取得模型呼叫的自動追蹤，您也可以設定您的 LangSmith API 金鑰，取消註解下方即可

# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安裝

LangChain AI21 整合位於 langchain-ai21 套件中

%pip install -qU langchain-ai21

例項化

現在我們可以例項化我們的模型物件並產生聊天完成

from langchain_ai21 import AI21Embeddings

embeddings = AI21Embeddings(
    # Can optionally increase or decrease the batch_size
    # to improve latency.
    # Use larger batch sizes with smaller documents, and
    # smaller batch sizes with larger documents.
    # batch_size=256,
)

索引和檢索

嵌入模型通常用於檢索增強生成 (RAG) 流程中，作為索引資料以及稍後檢索資料的一部分。 如需更詳細的說明，請參閱我們的 RAG 教學課程。

以下說明如何使用我們在上面初始化的 embeddings 物件來索引和檢索資料。 在此範例中，我們將在 InMemoryVectorStore 中索引和檢索範例文件。

# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# show the retrieved document's content
retrieved_documents[0].page_content

API 參考：InMemoryVectorStore

'LangChain is the framework for building context-aware reasoning applications'

直接使用

在底層，向量儲存庫和檢索器實作正在呼叫 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，以分別為 from_texts 和檢索 invoke 操作中使用的文字建立嵌入。

您可以直接呼叫這些方法來取得嵌入，以用於您自己的使用案例。

嵌入單一文字

您可以使用 embed_query 嵌入單一文字或文件

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[0.01913362182676792, 0.004960147198289633, -0.01582135073840618, -0.042474791407585144, 0.040200788

嵌入多個文字

您可以使用 embed_documents 嵌入多個文字

text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector

[0.03029559925198555, 0.002908500377088785, -0.02700909972190857, -0.04616579785943031, 0.0382771529
[0.018214847892522812, 0.011460083536803722, -0.03329407051205635, -0.04951060563325882, 0.032756105

API 參考

有關 AI21Embeddings 功能和組態選項的詳細文件，請參閱 API 參考文件。

相關內容

• 嵌入模型 概念指南
• 嵌入模型 操作指南