Isaacus 是一家基础性法律人工智能研究公司，致力于为法律科技生态系统构建人工智能模型、应用程序和工具。

Isaacus 的产品包括 Kanon 2 嵌入器，世界上最好的法律嵌入模型（根据 大规模法律嵌入基准）测量），以及 法律零样本分类 和 法律抽取式问答模型.

Isaacus 为 LangChain 的嵌入接口提供一流支持，可通过 langchain-isaacus 集成包访问。

## 设置 要开始使用 Isaacus 模型与 LangChain，请前往 Isaacus 平台 并创建一个新账户。

注册后， 添加支付方式 （从而获得您的 免费积分）和 生成 API 密钥.

接下来，安装 langchain-isaacus 集成包：

pip install langchain-isaacus

uv add langchain-isaacus

然后，您应该将您的 ISAACUS_API_KEY 环境变量设置为您的 Isaacus API 密钥。

$env:ISAACUS_API_KEY="your_api_key_here"

## 嵌入 下面的代码片段演示了如何使用 Isaacus 的 Kanon 2 嵌入器模型来评估法律查询与法律文档之间的语义相似度。如需更详细的分步指南，请参阅 Isaacus 嵌入指南.

from langchain_isaacus import IsaacusEmbeddings

# Create an Isaacus API client for Kanon 2 Embedder.
client = IsaacusEmbeddings(
    "kanon-2-embedder",
    # dimensions=1792, # You may optionally wish to specify a lower dimension.
)

# Embed a dummy document.
document_embedding = client.embed_documents(texts=["These are GitHub's billing policies."])[0]

# Embed our search queries.
relevant_query_embedding = client.embed_query(text="What are GitHub's billing policies?")
irrelevant_query_embedding = client.embed_query(text="What are Microsoft's billing policies?")

# Compute the similarity between the queries and the document.
relevant_similarity = np.dot(relevant_query_embedding, document_embedding)
irrelevant_similarity = np.dot(irrelevant_query_embedding, document_embedding)

# Log the results.
print(f"Similarity of relevant query to the document: {relevant_similarity * 100:.2f}")
print(f"Similarity of irrelevant query to the document: {irrelevant_similarity * 100:.2f}")