MistralAIEmbeddings

这将帮助你开始使用 LangChain 的 MistralAI 嵌入模型。有关 MistralAIEmbeddings 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
MistralAI	langchain-mistralai

设置

要访问 MistralAI 嵌入模型，你需要创建一个 MistralAI 账户，获取 API 密钥，并安装 langchain-mistralai 集成包。

凭证

访问 https://console.mistral.ai/ 注册 MistralAI 并生成 API 密钥。完成后，设置 MISTRALAI_API_KEY 环境变量

import getpass
import os

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

如果你想自动跟踪你的模型调用，你还可以通过取消注释下方内容来设置你的 LangSmith API 密钥

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain MistralAI 集成位于 langchain-mistralai 包中

%pip install -qU langchain-mistralai

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_mistralai import MistralAIEmbeddings

embeddings = MistralAIEmbeddings(
    model="mistral-embed",
)

API 参考：MistralAIEmbeddings

索引和检索

嵌入模型通常在检索增强生成 (RAG) 流程中使用，既作为索引数据的一部分，也作为稍后检索数据的一部分。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。在本例中，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

API 参考：InMemoryVectorStore

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

直接用法

在幕后，向量存储和检索器实现正在调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。

你可以直接调用这些方法来获取你自己的用例的嵌入。

嵌入单个文本

你可以使用 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

[-0.04443359375, 0.01885986328125, 0.018035888671875, -0.00864410400390625, 0.049652099609375, -0.00

嵌入多个文本

你可以使用 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

[-0.04443359375, 0.01885986328125, 0.0180511474609375, -0.0086517333984375, 0.049652099609375, -0.00
[-0.02032470703125, 0.02606201171875, 0.051605224609375, -0.0281982421875, 0.055755615234375, 0.0019

API 参考

有关 MistralAIEmbeddings 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