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

概述

集成详情

设置

要访问 Perplexity 嵌入模型，您需要创建一个 Perplexity 账户，获取 API 密钥，并安装 langchain-perplexity 集成包。

凭证

前往 https://www.perplexity.ai/account/api/keys 注册 Perplexity API 并生成 API 密钥。完成此操作后，设置 PPLX_API_KEY (or PERPLEXITY_API_KEY) 环境变量：

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

要启用模型调用的自动追踪功能，请设置您的 LangSmith API 密钥：

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

安装

LangChain Perplexity 集成位于 langchain-perplexity package:

pip install -qU langchain-perplexity

实例化

现在我们可以实例化嵌入模型对象并生成嵌入：

from langchain_perplexity import PerplexityEmbeddings

embeddings = PerplexityEmbeddings(
    model="pplx-embed-v1-4b",
    # api_key="...",       # if you prefer to pass the key explicitly
    # request_timeout=60,
    # max_retries=6,
)

可用模型包括 pplx-embed-v1-4b （默认）和 pplx-embed-v1-0.6b。请参阅 Perplexity Embeddings API 参考 获取当前列表和维度。

索引和检索

嵌入模型通常用于检索增强生成（RAG）流程，既用于索引数据，也用于后续检索。如需更详细的说明，请参阅我们的 RAG 教程.

下文展示了如何使用上面初始化的 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

在底层，向量存储和检索器实现调用了 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来获取自己的使用场景的嵌入。

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

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

异步使用

PerplexityEmbeddings 也公开了异步方法：

single_vector = await embeddings.aembed_query(text)
two_vectors = await embeddings.aembed_documents([text, text2])

API 参考

有关详细的文档，请参阅 PerplexityEmbeddings 功能和配置选项，请参阅 API 参考 以及 Perplexity Embeddings API 文档.