PremAI
PremAI 是一个一体化平台,可简化生成式AI驱动的强大、可投入生产的应用程序的创建。通过简化开发流程,PremAI让您能够专注于提升用户体验并推动应用程序的整体增长。您可以在此处快速开始使用我们的平台。
安装和设置
我们首先安装 `langchain` 和 `premai-sdk`。您可以输入以下命令进行安装
pip install premai langchain
在继续之前,请确保您已在PremAI上创建帐户并创建了一个项目。如果还没有,请参阅快速入门指南以开始使用PremAI平台。创建您的第一个项目并获取您的API密钥。
PremEmbeddings
在本节中,我们将讨论如何使用LangChain通过PremEmbeddings
访问不同的嵌入模型。让我们首先导入模块并设置API密钥。
# Let's start by doing some imports and define our embedding object
from langchain_community.embeddings import PremAIEmbeddings
API 参考:PremAIEmbeddings
导入所需的模块后,我们来设置客户端。目前我们假设 `project_id` 为 `8`。但请确保使用您自己的项目 ID,否则会抛出错误。
注意:与ChatPremAI不同,
PremAIEmbeddings
必须设置model_name
参数。
import getpass
import os
if os.environ.get("PREMAI_API_KEY") is None:
os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:")
model = "text-embedding-3-large"
embedder = PremAIEmbeddings(project_id=8, model=model)
我们支持许多最先进的嵌入模型。您可以在此处查看我们支持的LLM和嵌入模型列表。现在,我们以text-embedding-3-large
模型为例。
query = "Hello, this is a test query"
query_result = embedder.embed_query(query)
# Let's print the first five elements of the query embedding vector
print(query_result[:5])
[-0.02129288576543331, 0.0008162345038726926, -0.004556538071483374, 0.02918623760342598, -0.02547479420900345]
最后,我们来嵌入一个文档
documents = ["This is document1", "This is document2", "This is document3"]
doc_result = embedder.embed_documents(documents)
# Similar to previous result, let's print the first five element
# of the first document vector
print(doc_result[0][:5])
[-0.0030691148713231087, -0.045334383845329285, -0.0161729846149683, 0.04348714277148247, -0.0036920777056366205]