MistralAIEmbeddings

這將幫助您開始使用 LangChain 的 MistralAI 嵌入模型。有關 MistralAIEmbeddings 功能和配置選項的詳細文檔，請參閱 API 參考文檔。

概述

整合細節

供應商	套件
MistralAI	langchain-mistralai

設定

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

憑證

前往 https://console.mistral.ai/ 註冊 MistralAI 並產生 API 金鑰。完成後，設定 MISTRALAI_API_KEY 環境變數

import getpass
import os

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

如果您想取得模型呼叫的自動追蹤，您也可以取消註解以下程式碼來設定您的 LangSmith API 金鑰

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安裝

LangChain MistralAI 整合位於 langchain-mistralai 套件中

%pip install -qU langchain-mistralai

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_mistralai import MistralAIEmbeddings

embeddings = MistralAIEmbeddings(
    model="mistral-embed",
)

API 參考：MistralAIEmbeddings

索引和檢索

嵌入模型通常用於檢索增強生成 (RAG) 流程中，作為索引數據以及後續檢索數據的一部分。有關更詳細的說明，請參閱我們的 RAG 教程。

以下說明如何使用我們上面初始化的 embeddings 物件來索引和檢索資料。在本範例中，我們將在 InMemoryVectorStore 中索引和檢索範例文檔。

# 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，向量儲存庫和檢索器實作呼叫 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，以分別為 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。

嵌入單個文字

您可以使用 embed_query 嵌入單個文字或文檔

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[-0.04443359375, 0.01885986328125, 0.018035888671875, -0.00864410400390625, 0.049652099609375, -0.00

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

[-0.04443359375, 0.01885986328125, 0.0180511474609375, -0.0086517333984375, 0.049652099609375, -0.00
[-0.02032470703125, 0.02606201171875, 0.051605224609375, -0.0281982421875, 0.055755615234375, 0.0019

API 參考文檔

有關 MistralAIEmbeddings 功能和配置選項的詳細文檔，請參閱 API 參考文檔。

相關內容

• 嵌入模型 概念指南
• 嵌入模型 操作指南