跳到主要内容
Open In ColabOpen on GitHub

NetmindEmbeddings

这能帮助您开始使用 LangChain 中的 Netmind 嵌入模型。有关 NetmindEmbeddings 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
Netmindlangchain-netmind

设置​

要访问 Netmind 嵌入模型，您需要创建一个 Netmind 账户，获取一个 API 密钥，并安装 langchain-netmind 集成包。

凭证​

前往 https://www.netmind.ai/ 注册 Netmind 并生成 API 密钥。完成后，设置 NETMIND_API_KEY 环境变量。

import getpass
import os

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

如果您希望对模型调用进行自动化追踪，也可以通过取消注释下方内容来设置您的 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 Netmind 集成位于 langchain-netmind 包中。

%pip install -qU langchain-netmind

[notice] A new release of pip is available: 24.0 -> 25.0.1
[notice] To update, run: pip install --upgrade pip
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。

from langchain_netmind import NetmindEmbeddings

embeddings = NetmindEmbeddings(
    model="nvidia/NV-Embed-v2",
)

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
API 参考：InMemoryVectorStore
'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会调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来分别为 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
[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146

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
[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146
[0.022523142397403717, -0.002223758026957512, -0.008578270673751831, -0.006029821466654539, 0.008752

API 参考​

有关 NetmindEmbeddings 功能和配置选项的详细文档，请参阅