SambaStudioEmbeddings

這將幫助您開始使用 LangChain 的 SambaNova SambaStudio 嵌入模型。關於 SambaStudioEmbeddings 功能和配置選項的詳細文件，請參閱API 參考文件。

SambaNova 的 SambaStudio 是一個用於運行您自己的開源模型的平台

概觀

整合細節

Provider	Package
SambaNova	langchain-sambanova

設定

若要存取 ChatSambaStudio 模型，您需要先在您的 SambaStudio 平台中部署端點，並安裝 langchain_sambanova 整合套件。

pip install langchain-sambanova

憑證

從您部署的 SambaStudio 端點取得 URL 和 API 金鑰，並將它們新增到您的環境變數中

export SAMBASTUDIO_URL="sambastudio-url-key-here"
export SAMBASTUDIO_API_KEY="your-api-key-here"

import getpass
import os

if not os.getenv("SAMBASTUDIO_API_KEY"):
    os.environ["SAMBASTUDIO_API_KEY"] = getpass.getpass(
        "Enter your SambaNova 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 SambaNova 整合存在於 langchain-sambanova 套件中

%pip install -qU langchain-sambanova

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_sambanova import SambaStudioEmbeddings

embeddings = SambaStudioEmbeddings(
    model="e5-mistral-7b-instruct",
)

索引和檢索

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

在下方，查看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 參考文件：InMemoryVectorStore

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 和檢索 invoke 操作中使用的文本建立嵌入。

您可以直接呼叫這些方法來取得您自己用例的嵌入。

嵌入單個文本

您可以使用 embed_query 嵌入單個文本或文件

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

嵌入多個文本

您可以使用 embed_documents 嵌入多個文本

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

API 參考文件

關於 SambaStudio 功能和配置選項的詳細文件，請參閱API 參考文件。

相關內容

• 嵌入模型 概念指南
• 嵌入模型 操作指南