CohereEmbeddings

这将帮助您开始使用 LangChain 的 Cohere 嵌入模型。有关 CohereEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

概述

集成详情

提供商	包
Cohere	langchain-cohere

设置

要访问 Cohere 嵌入模型，您需要创建一个 Cohere 帐户，获取 API 密钥，并安装 langchain-cohere 集成包。

凭证

访问 cohere.com 注册 Cohere 并生成 API 密钥。完成后，设置 COHERE_API_KEY 环境变量

import getpass
import os

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

如果您想获得模型调用的自动追踪，您还可以通过取消注释以下内容来设置您的 LangSmith API 密钥

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

安装

LangChain Cohere 集成位于 langchain-cohere 包中

%pip install -qU langchain-cohere

实例化

现在我们可以实例化我们的模型对象并生成聊天补全

from langchain_cohere import CohereEmbeddings

embeddings = CohereEmbeddings(
    model="embed-english-v3.0",
)

API 参考:CohereEmbeddings

索引和检索

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

下面，了解如何使用我们上面初始化的 embeddings 对象索引和检索数据。在此示例中，我们将在 InMemoryVectorStore 中索引和检索示例文档。

# 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

API 参考:InMemoryVectorStore

'LangChain is the framework for building context-aware reasoning applications'

直接使用

在底层，向量数据库和检索器实现正在调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，以为 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嵌入，以用于您自己的用例。

嵌入单个文本

您可以使用 embed_query 嵌入单个文本或文档

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

[-0.022979736, -0.030212402, -0.08886719, -0.08569336, 0.007030487, -0.0010671616, -0.033813477, 0.0

嵌入多个文本

您可以使用 embed_documents 嵌入多个文本

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

[-0.028869629, -0.030410767, -0.099121094, -0.07116699, -0.012748718, -0.0059432983, -0.04360962, 0.
[-0.047332764, -0.049957275, -0.07458496, -0.034332275, -0.057922363, -0.0112838745, -0.06994629, 0.

API 参考

有关 CohereEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

相关

• 嵌入模型概念指南
• 嵌入模型使用指南