CohereEmbeddings

這將幫助您開始使用 LangChain 的 Cohere 嵌入模型。關於 CohereEmbeddings 功能和配置選項的詳細文件，請參閱 API 參考。

概觀

整合細節

供應商	套件
Cohere	langchain-cohere

設定

要使用 Cohere 嵌入模型，您需要建立一個 Cohere 帳戶、取得 API 金鑰，並安裝 langchain-cohere 整合套件。

憑證

前往 cohere.com 註冊 Cohere 並產生 API 金鑰。完成後，設定 COHERE_API_KEY 環境變數

import getpass
import os

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

如果您想要取得模型呼叫的自動追蹤，您也可以透過取消註解下方內容來設定您的 LangSmith API 金鑰

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

安裝

LangChain Cohere 整合位於 langchain-cohere 套件中

%pip install -qU langchain-cohere

實例化

現在我們可以實例化我們的模型物件並產生聊天完成

from langchain_cohere import CohereEmbeddings

embeddings = CohereEmbeddings(
    model="embed-english-v3.0",
)

API 參考：CohereEmbeddings

索引和檢索

嵌入模型通常用於檢索增強生成 (RAG) 流程中，無論是作為索引數據的一部分，還是稍後檢索數據。如需更詳細的說明，請參閱我們的 RAG 教學。

以下說明如何使用我們上面初始化的 embeddings 物件來索引和檢索數據。在本範例中，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，vectorstore 和 retriever 實作正在呼叫 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，以為 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，以用於您自己的用例。

嵌入單個文本

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

[-0.022979736, -0.030212402, -0.08886719, -0.08569336, 0.007030487, -0.0010671616, -0.033813477, 0.0

嵌入多個文本

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

[-0.028869629, -0.030410767, -0.099121094, -0.07116699, -0.012748718, -0.0059432983, -0.04360962, 0.
[-0.047332764, -0.049957275, -0.07458496, -0.034332275, -0.057922363, -0.0112838745, -0.06994629, 0.

API 參考

關於 CohereEmbeddings 功能和配置選項的詳細文件，請參閱 API 參考。

相關

• 嵌入模型概念指南 conceptual guide
• 嵌入模型操作指南 how-to guides