SambaStudioEmbeddings

这将帮助您开始使用 LangChain 的 SambaNova SambaStudio 嵌入模型。有关 SambaStudioEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

SambaNova 的 SambaStudio 是一个用于运行您自己的开源模型的平台

概述

集成详情

提供商	包
SambaNova	langchain-sambanova

设置

要访问 ChatSambaStudio 模型，您需要 在您的 SambaStudio 平台中部署端点，并安装 langchain_sambanova 集成包。

pip install langchain-sambanova

凭据

从您部署的 SambaStudio 端点获取 URL 和 API 密钥，并将它们添加到您的环境变量中

export SAMBASTUDIO_URL="sambastudio-url-key-here"
export SAMBASTUDIO_API_KEY="your-api-key-here"

import getpass
import os

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

如果您想获得模型调用的自动跟踪，您还可以通过取消注释下方内容来设置您的 LangSmith API 密钥

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

安装

LangChain SambaNova 集成位于 langchain-sambanova 包中

%pip install -qU langchain-sambanova

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_sambanova import SambaStudioEmbeddings

embeddings = SambaStudioEmbeddings(
    model="e5-mistral-7b-instruct",
)

索引和检索

嵌入模型通常用于检索增强生成 (RAG) 流程中，既作为索引数据的一部分，也用于稍后检索数据。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 对象索引和检索数据。在本示例中，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

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(...) 来为 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嵌入以用于您自己的用例。

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

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

API 参考

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

相关

• 嵌入模型 概念指南
• 嵌入模型 操作指南