这将帮助您开始使用 LangChain 的 Together 嵌入模型。如需详细文档，请参阅 TogetherEmbeddings 功能和配置选项，请参阅 API 参考.

概述

集成详情

设置

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

凭据

前往 https://api.together.xyz/ 注册 Together 并生成 API 密钥。完成后，设置 TOGETHER_API_KEY 环境变量：

if not os.getenv("TOGETHER_API_KEY"):
    os.environ["TOGETHER_API_KEY"] = getpass.getpass("Enter your Together 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_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain Together 集成位于 langchain-together package:

pip install -qU langchain-together

实例化

现在我们可以实例化模型对象并生成聊天补全：

from langchain_together import TogetherEmbeddings

embeddings = TogetherEmbeddings(
    model="togethercomputer/m2-bert-80M-8k-retrieval",
)

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。如需详细说明，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，向量存储和检索器的实现调用了 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为您的用例获取嵌入。

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

[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011,

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

[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011,
[0.066308185, -0.032866564, 0.115751594, 0.19082588, 0.14017, -0.26976448, -0.056340694, -0.26923394

API 参考

如需详细文档了解 TogetherEmbeddings 功能和配置选项，请参阅 API 参考.