IBM watsonx.ai

WatsonxEmbeddings 是 IBM watsonx.ai 基礎模型的包裝器。

此範例示範如何使用 LangChain 與 watsonx.ai 模型通訊。

概觀

整合詳細資訊

供應商	套件
IBM	langchain-ibm

設定

若要存取 IBM watsonx.ai 模型，您需要建立 IBM watsonx.ai 帳戶、取得 API 金鑰，並安裝 langchain-ibm 整合套件。

憑證

此儲存格定義使用 watsonx Embeddings 所需的 WML 憑證。

動作： 提供 IBM Cloud 使用者 API 金鑰。如需詳細資訊，請參閱文件。

import os
from getpass import getpass

watsonx_api_key = getpass()
os.environ["WATSONX_APIKEY"] = watsonx_api_key

此外，您可以將其他密碼作為環境變數傳遞。

import os

os.environ["WATSONX_URL"] = "your service instance url"
os.environ["WATSONX_TOKEN"] = "your token for accessing the CPD cluster"
os.environ["WATSONX_PASSWORD"] = "your password for accessing the CPD cluster"
os.environ["WATSONX_USERNAME"] = "your username for accessing the CPD cluster"
os.environ["WATSONX_INSTANCE_ID"] = "your instance_id for accessing the CPD cluster"

安裝

LangChain IBM 整合位於 langchain-ibm 套件中

!pip install -qU langchain-ibm

例項化

您可能需要針對不同的模型調整模型parameters。

from ibm_watsonx_ai.metanames import EmbedTextParamsMetaNames

embed_params = {
    EmbedTextParamsMetaNames.TRUNCATE_INPUT_TOKENS: 3,
    EmbedTextParamsMetaNames.RETURN_OPTIONS: {"input_text": True},
}

使用先前設定的參數初始化 WatsonxEmbeddings 類別。

注意:

• 若要為 API 呼叫提供內容，您必須新增 project_id 或 space_id。如需更多資訊，請參閱文件。
• 根據您佈建的服務實例的區域，使用此處描述的 URL 之一。

在此範例中，我們將使用 project_id 和 Dallas URL。

您需要指定將用於推論的 model_id。

from langchain_ibm import WatsonxEmbeddings

watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/slate-125m-english-rtrvr",
    url="https://us-south.ml.cloud.ibm.com",
    project_id="PASTE YOUR PROJECT_ID HERE",
    params=embed_params,
)

API 參考：WatsonxEmbeddings

或者，您可以使用 Cloud Pak for Data 憑證。如需詳細資訊，請參閱文件。

watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/slate-125m-english-rtrvr",
    url="PASTE YOUR URL HERE",
    username="PASTE YOUR USERNAME HERE",
    password="PASTE YOUR PASSWORD HERE",
    instance_id="openshift",
    version="4.8",
    project_id="PASTE YOUR PROJECT_ID HERE",
    params=embed_params,
)

對於某些需求，可以選擇將 IBM 的 APIClient 物件傳遞到 WatsonxEmbeddings 類別中。

from ibm_watsonx_ai import APIClient

api_client = APIClient(...)

watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/slate-125m-english-rtrvr",
    watsonx_client=api_client,
)

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=watsonx_embedding,
)

# 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，以取得您自己用例的嵌入。

嵌入單一文字

您可以使用 embed_query 嵌入單一文字或文件

text = "This is a test document."

query_result = watsonx_embedding.embed_query(text)
query_result[:5]

[0.009447193, -0.024981951, -0.026013248, -0.040483937, -0.05780445]

嵌入多個文字

您可以使用 embed_documents 嵌入多個文字

texts = ["This is a content of the document", "This is another document"]

doc_result = watsonx_embedding.embed_documents(texts)
doc_result[0][:5]

[0.009447167, -0.024981938, -0.02601326, -0.04048393, -0.05780444]

API 參考

如需所有 WatsonxEmbeddings 功能和組態的詳細文件，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