TogetherEmbeddings
這將幫助您開始使用 LangChain 的 Together 嵌入模型。有關 TogetherEmbeddings 功能和配置選項的詳細文檔，請參閱API 參考文檔。
概觀
整合細節
| 供應商 | 套件 |
|---|---|
| Together | langchain-together |
設定
要存取 Together 嵌入模型，您需要建立 Together 帳戶、取得 API 金鑰，並安裝 langchain-together 整合套件。
憑證
前往 https://api.together.xyz/ 註冊 Together 並產生 API 金鑰。完成後，設定 TOGETHER_API_KEY 環境變數
import getpass
import os
if not os.getenv("TOGETHER_API_KEY"):
os.environ["TOGETHER_API_KEY"] = getpass.getpass("Enter your Together API key: ")
如果您想要自動追蹤您的模型呼叫，您也可以設定您的 LangSmith API 金鑰，方法是取消註解下面的內容
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
安裝
LangChain Together 整合位於 langchain-together 套件中
%pip install -qU langchain-together
[1m[[0m[34;49mnotice[0m[1;39;49m][0m[39;49m A new release of pip is available: [0m[31;49m24.0[0m[39;49m -> [0m[32;49m24.2[0m
[1m[[0m[34;49mnotice[0m[1;39;49m][0m[39;49m To update, run: [0m[32;49mpython -m pip install --upgrade pip[0m
Note: you may need to restart the kernel to use updated packages.
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_together import TogetherEmbeddings
embeddings = TogetherEmbeddings(
model="togethercomputer/m2-bert-80M-8k-retrieval",
)
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，也作為稍後檢索資料的一部分。有關更詳細的說明，請參閱我們的 RAG 教學課程。
下面，了解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
'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(...)，以便為 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，以便用於您自己的使用案例。
嵌入單個文字
您可以使用 embed_query 嵌入單個文字或文件
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100]) # Show the first 100 characters of the vector
[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011,
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
[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011,
[0.066308185, -0.032866564, 0.115751594, 0.19082588, 0.14017, -0.26976448, -0.056340694, -0.26923394
API 參考
有關 TogetherEmbeddings 功能和配置選項的詳細文檔，請參閱API 參考文檔。