ZhipuAIEmbeddings

這將幫助您開始使用 LangChain 的智譜 AI 嵌入模型。 有關ZhipuAIEmbeddings功能和配置選項的詳細文件，請參閱API 參考。

概觀

整合細節

供應商	套件
智譜 AI	langchain-community

設定

要存取智譜 AI 嵌入模型，您需要建立一個智譜 AI 帳戶、取得 API 金鑰，並安裝zhipuai整合套件。

憑證

前往https://bigmodel.cn/註冊智譜 AI 並產生 API 金鑰。 完成後，設定 ZHIPUAI_API_KEY 環境變數

import getpass
import os

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

如果您希望自動追蹤模型呼叫，您還可以取消註解以下內容來設定您的 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 智譜 AI 整合位於zhipuai套件中

%pip install -qU zhipuai

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_community.embeddings import ZhipuAIEmbeddings

embeddings = ZhipuAIEmbeddings(
    model="embedding-3",
    # With the `embedding-3` class
    # of models, you can specify the size
    # of the embeddings you want returned.
    # dimensions=1024
)

API 參考：ZhipuAIEmbeddings

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物件索引和檢索資料。 在此範例中，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：InMemoryVectorStore

'LangChain is the framework for building context-aware reasoning applications'

直接使用

在底層，向量儲存和檢索器實作正在呼叫embeddings.embed_documents(...)和embeddings.embed_query(...)，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您自己用例的嵌入。

嵌入單一文字

您可以使用embed_query嵌入單一文字或文件

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

[-0.022979736, 0.007785797, 0.04598999, 0.012741089, -0.01689148, 0.008277893, 0.016464233, 0.009246

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

[-0.022979736, 0.007785797, 0.04598999, 0.012741089, -0.01689148, 0.008277893, 0.016464233, 0.009246
[-0.02330017, -0.013916016, 0.00022411346, 0.017196655, -0.034240723, 0.011131287, 0.011497498, -0.0

API 參考

有關ZhipuAIEmbeddings功能和配置選項的詳細文件，請參閱API 參考。

相關內容

• 嵌入模型概念指南
• 嵌入模型操作指南