LindormAIEmbeddings

这将帮助您开始使用 LangChain 的 Lindorm 嵌入模型。

概述

集成详情

提供商	包
Lindorm	langchain-lindorm-integration

设置

要访问 Lindorm 嵌入模型，您需要创建一个 Lindorm 帐户，获取 AK&SK，并安装 langchain-lindorm-integration 集成包。

凭据

您可以在控制台中获取您的凭据

import os


class Config:
    AI_LLM_ENDPOINT = os.environ.get("AI_ENDPOINT", "<AI_ENDPOINT>")
    AI_USERNAME = os.environ.get("AI_USERNAME", "root")
    AI_PWD = os.environ.get("AI_PASSWORD", "<PASSWORD>")

    AI_DEFAULT_EMBEDDING_MODEL = "bge_m3_model"  # set to your deployed model

安装

LangChain Lindorm 集成位于 langchain-lindorm-integration 包中

%pip install -qU langchain-lindorm-integration

Note: you may need to restart the kernel to use updated packages.

实例化

现在我们可以实例化我们的模型对象并生成聊天完成

from langchain_lindorm_integration import LindormAIEmbeddings

embeddings = LindormAIEmbeddings(
    endpoint=Config.AI_LLM_ENDPOINT,
    username=Config.AI_USERNAME,
    password=Config.AI_PWD,
    model_name=Config.AI_DEFAULT_EMBEDDING_MODEL,
)

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 对象来索引和检索数据。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，向量存储和检索器实现正在调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，以便为 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您自己的用例的嵌入。

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

[-0.016254117712378502, -0.01154549140483141, 0.0042558759450912476, -0.011416379362344742, -0.01770

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

[-0.016254086047410965, -0.011545476503670216, 0.0042558712884783745, -0.011416426859796047, -0.0177
[-0.07268096506595612, -3.236892371205613e-05, -0.0019329536007717252, -0.030644644051790237, -0.018

API 参考

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

相关内容

• 嵌入模型 概念指南
• 嵌入模型 操作指南