PremAI
PremAI 是一個多合一平台，可簡化由生成式 AI 驅動的強大、可生產應用程式的建立。透過簡化開發流程，PremAI 讓您可以專注於增強使用者體驗並推動應用程式的整體成長。您可以在此快速開始使用我們的平台。
安裝與設定
我們先安裝 langchain 和 premai-sdk。您可以輸入以下指令進行安裝
pip install premai langchain
在繼續之前，請確保您已在 PremAI 上建立帳戶並已建立專案。如果沒有，請參閱快速入門指南，以開始使用 PremAI 平台。建立您的第一個專案並取得您的 API 金鑰。
PremEmbeddings
在本節中，我們將討論如何使用 LangChain 的 PremEmbeddings 來存取不同的嵌入模型。讓我們先匯入我們的模組並設定我們的 API 金鑰。
# Let's start by doing some imports and define our embedding object
from langchain_community.embeddings import PremAIEmbeddings
API 參考：PremAIEmbeddings
匯入所需的模組後，讓我們設定我們的客戶端。現在讓我們假設我們的 project_id 是 8。但請確保您使用您的 project-id，否則會拋出錯誤。
注意：與 ChatPremAI 不同，在 PremAIEmbeddings 中設定
model_name參數是強制性的。
import getpass
import os
if os.environ.get("PREMAI_API_KEY") is None:
os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:")
model = "text-embedding-3-large"
embedder = PremAIEmbeddings(project_id=8, model=model)
我們支援許多最先進的嵌入模型。您可以在此處查看我們支援的 LLM 和嵌入模型列表。 現在，讓我們以 text-embedding-3-large 模型為例。
query = "Hello, this is a test query"
query_result = embedder.embed_query(query)
# Let's print the first five elements of the query embedding vector
print(query_result[:5])
[-0.02129288576543331, 0.0008162345038726926, -0.004556538071483374, 0.02918623760342598, -0.02547479420900345]
最後，讓我們嵌入一個文檔
documents = ["This is document1", "This is document2", "This is document3"]
doc_result = embedder.embed_documents(documents)
# Similar to previous result, let's print the first five element
# of the first document vector
print(doc_result[0][:5])
[-0.0030691148713231087, -0.045334383845329285, -0.0161729846149683, 0.04348714277148247, -0.0036920777056366205]