这将帮助您开始使用 LangChain 的 Netmind 嵌入模型。如需获取详细文档 NetmindEmbeddings 功能和配置选项，请参阅 API 参考文档.

概述

集成详情

设置

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

凭据

前往 www.netmind.ai/ 注册 Netmind 并生成 API 密钥。完成此操作后，设置 NETMIND_API_KEY 环境变量：

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

如果您想获取模型调用的自动追踪，还可以设置您的 LangSmith API 密钥，方法是取消下方注释：

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain Netmind 集成位于 langchain-netmind package:

pip install -qU langchain-netmind

实例化

现在我们可以实例化模型对象：

from langchain_netmind import NetmindEmbeddings

embeddings = NetmindEmbeddings(
    model="nvidia/NV-Embed-v2",
)

索引和检索

嵌入模型经常用于检索增强生成 (RAG) 流程，既可以作为索引数据的一部分，也可以在后续检索时使用。如需更详细的说明，请参阅我们的 RAG 教程.

下方展示了如何使用 embeddings 对象进行数据索引和检索。在此示例中，我们将在 InMemoryVectorStore.

# 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

底层上，向量存储和检索器的实现正在调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。

您可以直接调用这些方法为您的具体用例获取嵌入。

嵌入单个文本

您可以使用以下方式嵌入单个文本或文档 embed_query:

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

[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146

嵌入多个文本

您可以使用以下方式嵌入多个文本 embed_documents:

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

[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146
[0.022523142397403717, -0.002223758026957512, -0.008578270673751831, -0.006029821466654539, 0.008752

API 参考文档

如需获取详细文档 NetmindEmbeddings 功能和配置选项，请参阅：

• * API 参考文档
• * langchain-netmind
• * pypi