跳至主要內容

UpstageEmbeddings

本筆記本涵蓋如何開始使用 Upstage 嵌入模型。

安裝​

安裝 langchain-upstage 套件。

pip install -U langchain-upstage

環境設定​

請務必設定以下環境變數

import os

os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"

使用方式​

初始化 UpstageEmbeddings 類別。

from langchain_upstage import UpstageEmbeddings

embeddings = UpstageEmbeddings(model="solar-embedding-1-large")
API 參考：UpstageEmbeddings

使用 embed_documents 嵌入文字或文件的列表。

doc_result = embeddings.embed_documents(
    ["Sung is a professor.", "This is another document"]
)
print(doc_result)

使用 embed_query 嵌入查詢字串。

query_result = embeddings.embed_query("What does Sung do?")
print(query_result)

使用 aembed_documents 和 aembed_query 進行非同步操作。

# async embed query
await embeddings.aembed_query("My query to look up")
# async embed documents
await embeddings.aembed_documents(
    ["This is a content of the document", "This is another document"]
)

搭配向量儲存使用​

您可以將 UpstageEmbeddings 與向量儲存元件一起使用。以下展示一個簡單的範例。

from langchain_community.vectorstores import DocArrayInMemorySearch

vectorstore = DocArrayInMemorySearch.from_texts(
    ["harrison worked at kensho", "bears like to eat honey"],
    embedding=UpstageEmbeddings(model="solar-embedding-1-large"),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)

此頁面是否有幫助？