本笔记本介绍如何开始使用 Upstage 嵌入模型。

安装

安装 langchain-upstage package.

pip install -U langchain-upstage

环境设置

请确保设置以下环境变量：

• - UPSTAGE_API_KEY：您的 Upstage API 密钥，来自 Upstage 控制台.

os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"

使用说明

初始化 UpstageEmbeddings class.

from langchain_upstage import UpstageEmbeddings

embeddings = UpstageEmbeddings(model="solar-embedding-1-large")

使用 embed_documents 来嵌入文本或文档列表。

doc_result = embeddings.embed_documents(
    ["Sung is a professor.", "This is another document"]
)
print(doc_result)

使用 embed_query 来嵌入查询字符串。

query_result = embeddings.embed_query("What does Sung do?")
print(query_result)

使用 aembed_documents 和 aembed_query 用于异步操作。

# async embed query
await embeddings.aembed_query("My query to look up")

# async embed documents
await embeddings.aembed_documents(
    ["This is a content of the document", "This is another document"]
)

与向量存储配合使用

您可以使用 UpstageEmbeddings 与向量存储组件配合使用。以下演示一个简单示例。

from langchain_community.vectorstores import DocArrayInMemorySearch

vectorstore = DocArrayInMemorySearch.from_texts(
    ["harrison worked at kensho", "bears like to eat honey"],
    embedding=UpstageEmbeddings(model="solar-embedding-1-large"),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)