FireworksEmbeddings
這將幫助您開始使用 LangChain 的 Fireworks 嵌入模型。 有關 FireworksEmbeddings 功能和配置選項的詳細文檔，請參閱 API 參考文檔。
Overview (概觀)
Integration details (整合細節)
| Provider (供應商) | Package (套件) |
|---|---|
| Fireworks | langchain-fireworks |
Setup (設定)
要存取 Fireworks 嵌入模型，您需要建立一個 Fireworks 帳戶、取得 API 金鑰，並安裝 langchain-fireworks 整合套件。
Credentials (憑證)
前往 fireworks.ai 註冊 Fireworks 並產生 API 金鑰。 完成後，設定 FIREWORKS_API_KEY 環境變數
import getpass
import os
if not os.getenv("FIREWORKS_API_KEY"):
os.environ["FIREWORKS_API_KEY"] = getpass.getpass("Enter your Fireworks API key: ")
如果您想自動追蹤模型呼叫，您還可以透過取消註解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: ")
Installation (安裝)
LangChain Fireworks 整合存在於 langchain-fireworks 套件中
%pip install -qU langchain-fireworks
Instantiation (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_fireworks import FireworksEmbeddings
embeddings = FireworksEmbeddings(
model="nomic-ai/nomic-embed-text-v1.5",
)
Indexing and Retrieval (索引和檢索)
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。
下面，了解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'
Direct Usage (直接使用)
在底層，vectorstore 和 retriever 實作正在呼叫 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，以便為 from_texts 中使用的文字和檢索 invoke 操作分別建立嵌入。
您可以直接呼叫這些方法來取得您自己的用例的嵌入。
Embed single texts (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
[0.01666259765625, 0.011688232421875, -0.1181640625, -0.10205078125, 0.05438232421875, -0.0890502929
Embed multiple texts (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
[0.016632080078125, 0.01165008544921875, -0.1181640625, -0.10186767578125, 0.05438232421875, -0.0890
[-0.02667236328125, 0.036651611328125, -0.1630859375, -0.0904541015625, -0.022430419921875, -0.09545
API Reference (API 參考)
有關所有 FireworksEmbeddings 功能和配置的詳細文檔，請前往 API 參考文檔。