Google Vertex AI 嵌入
这将帮助您开始使用 LangChain 的 Google Vertex AI Embeddings 模型。有关 Google Vertex AI Embeddings
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 |
---|---|
谷歌 | langchain-google-vertexai |
设置
要访问 Google Vertex AI Embeddings 模型,您需要:
- 创建 Google Cloud 账户
- 安装
langchain-google-vertexai
集成包。
凭证
前往Google Cloud注册并创建账户。完成此操作后,设置 GOOGLE_APPLICATION_CREDENTIALS 环境变量
欲了解更多信息,请参阅
https://cloud.google.com/docs/authentication/application-default-credentials#GAC https://googleapis.dev/python/google-auth/latest/reference/google.auth.html#module-google.auth
可选:验证您的 Notebook 环境(仅限 Colab)
如果您在 Google Colab 上运行此 Notebook,请运行以下单元格以验证您的环境。
import sys
if "google.colab" in sys.modules:
from google.colab import auth
auth.authenticate_user()
设置 Google Cloud 项目信息并初始化 Vertex AI SDK
要开始使用 Vertex AI,您必须拥有一个现有的 Google Cloud 项目并启用 Vertex AI API。
了解更多关于设置项目和开发环境的信息。
PROJECT_ID = "[your-project-id]" # @param {type:"string"}
LOCATION = "us-central1" # @param {type:"string"}
import vertexai
vertexai.init(project=PROJECT_ID, location=LOCATION)
要启用模型调用的自动跟踪,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 Google Vertex AI Embeddings 集成位于 langchain-google-vertexai
包中
%pip install -qU langchain-google-vertexai
实例化
现在我们可以实例化模型对象并生成嵌入
查看支持的模型列表
from langchain_google_vertexai import VertexAIEmbeddings
# Initialize the a specific Embeddings Model version
embeddings = VertexAIEmbeddings(model_name="text-embedding-004")
索引和检索
嵌入模型常用于检索增强生成 (RAG) 流程,既用于索引数据,也用于后续检索数据。有关更详细的说明,请参阅我们的RAG 教程。
下面,您将看到如何使用我们上面初始化的 embeddings
对象来索引和检索数据。在此示例中,我们将在 InMemoryVectorStore
中索引和检索一个示例文档。
# 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
'LangChain is the framework for building context-aware reasoning applications'
直接用法
在底层,向量存储和检索器实现分别调用 embeddings.embed_documents(...)
和 embeddings.embed_query(...)
,以创建用于 from_texts
和检索 invoke
操作中文本的嵌入。
您可以直接调用这些方法来为自己的用例获取嵌入。
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
[-0.02831101417541504, 0.022063178941607475, -0.07454229146242142, 0.006448323838412762, 0.001955120
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
[-0.01092718355357647, 0.01213780976831913, -0.05650627985596657, 0.006737854331731796, 0.0085973171
[0.010135706514120102, 0.01234869472682476, -0.07284046709537506, 0.00027134662377648056, 0.01546290
API 参考
有关 Google Vertex AI Embeddings
功能和配置选项的详细文档,请参阅API 参考。