FireworksEmbeddings

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

概觀

整合詳細資訊

供應商	套件
Fireworks	langchain-fireworks

設定

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

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: ")

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

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

安裝

LangChain Fireworks 整合位於 langchain-fireworks 套件中

%pip install -qU langchain-fireworks

例項化

現在我們可以例項化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",
)

API 參考：FireworksEmbeddings

索引和檢索

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

在下方，查看如何使用我們在上方初始化的 embeddings 物件來索引和檢索資料。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

在幕後，向量儲存庫和檢索器實作正在呼叫 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您自己使用案例的嵌入。

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

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 參考

如需所有 FireworksEmbeddings 功能和配置的詳細文件，請前往 API 參考。

相關內容

• 嵌入模型 概念指南
• 嵌入模型 操作指南