This guide helps you get started with AI/ML API embedding models using LangChain.

概览

集成详情

设置

To access AI/ML API embedding models you'll need to create an account, get an API key, and install the langchain-aimlapi 集成包。

凭据

前往 aimlapi.com 注册并生成 API 密钥。完成此操作后，设置 AIMLAPI_API_KEY 环境变量：

if not os.getenv("AIMLAPI_API_KEY"):
    os.environ["AIMLAPI_API_KEY"] = getpass.getpass("Enter your AI/ML API key: ")

要启用模型调用的自动追踪，请设置您的 LangSmith API 密钥：

os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

安装

The LangChain AI/ML API integration lives in the langchain-aimlapi package:

pip install -qU langchain-aimlapi

实例化

现在我们可以实例化嵌入模型并执行嵌入操作：

from langchain_aimlapi import AIMLAPIEmbeddings

embeddings = AIMLAPIEmbeddings(
    model="text-embedding-ada-002",
)

索引和检索

嵌入模型常用于检索增强生成 (RAG) 流程。以下是使用上述方法对数据进行索引和检索的方法： embeddings 对象 InMemoryVectorStore.

from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

retriever = vectorstore.as_retriever()

retrieved_documents = retriever.invoke("What is LangChain?")
retrieved_documents[0].page_content

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

直接使用

您可以直接调用 embed_query 和 embed_documents 用于自定义嵌入场景。

嵌入单个文本

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])

嵌入多个文本

text2 = "LangGraph is a library for building stateful, multi-actor applications with LLMs"

vectors = embeddings.embed_documents([text, text2])
for vector in vectors:
    print(str(vector)[:100])