AI21Embeddings
這將幫助您開始使用 LangChain 的 AI21 嵌入模型。 有關 AI21Embeddings 功能和配置選項的詳細文檔，請參閱 API 參考文檔。
總覽 (Overview)
整合細節 (Integration details)
| 供應商 (Provider) | 套件 (Package) |
|---|---|
| AI21 | langchain-ai21 |
設定 (Setup)
要存取 AI21 嵌入模型，您需要建立一個 AI21 帳戶、取得 API 金鑰，並安裝 langchain-ai21 整合套件。
憑證 (Credentials)
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，您還可以取消註釋以下內容來設定您的 LangSmith API 金鑰
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
安裝 (Installation)
LangChain AI21 整合位於 langchain-ai21 套件中
%pip install -qU langchain-ai21
實例化 (Instantiation)
現在我們可以實例化我們的模型物件並產生聊天完成 (chat completions)
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 (Indexing and Retrieval)
嵌入模型通常用於檢索增強生成 (RAG) 流程中，既作為索引數據的一部分，也作為稍後檢索數據的一部分。 有關更詳細的說明，請參閱我們的 RAG 教學課程。
以下顯示如何使用我們上面初始化的 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
'LangChain is the framework for building context-aware reasoning applications'
直接使用 (Direct Usage)
在底層，向量儲存庫 (vectorstore) 和檢索器 (retriever) 實作呼叫 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 以分別為 from_texts 和檢索 invoke 運算中使用的文本建立嵌入。
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。
嵌入單個文本 (Embed single texts)
您可以使用 embed_query 嵌入單個文本或文件
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
嵌入多個文本 (Embed multiple texts)
您可以使用 embed_documents 嵌入多個文本
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 參考文檔 (API Reference)
有關 AI21Embeddings 功能和配置選項的詳細文檔，請參閱 API 參考文檔。