跳到主要内容
Open In ColabOpen on GitHub

SambaNovaCloudEmbeddings

本文将帮助您开始使用 LangChain 的 SambaNovaCloud 嵌入模型。有关 SambaNovaCloudEmbeddings 功能和配置选项的详细文档,请参阅 API 参考

SambaNova SambaNova Cloud 是一个用于对开源模型执行推理的平台

概述

集成详情

提供商
SambaNovalangchain-sambanova

设置

要访问 ChatSambaNovaCloud 模型,您需要创建一个 SambaNovaCloud 帐户,获取 API 密钥,并安装 langchain_sambanova 集成包。

pip install langchain-sambanova

凭证

cloud.sambanova.ai 获取 API 密钥,并将其添加到您的环境变量中

export SAMBANOVA_API_KEY="your-api-key-here"
import getpass
import os

if not os.getenv("SAMBANOVA_API_KEY"):
os.environ["SAMBANOVA_API_KEY"] = getpass.getpass("Enter your SambaNova 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["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模型对象并生成聊天补全

from langchain_sambanova import SambaNovaCloudEmbeddings

embeddings = SambaNovaCloudEmbeddings(
model="E5-Mistral-7B-Instruct",
)

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

直接用法

在底层,向量存储和检索器实现会调用 embeddings.embed_documents(...)embeddings.embed_query(...) 来分别创建用于 from_texts 和检索 invoke 操作的文本嵌入。

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

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