UpstageEmbeddings

此笔记本介绍了如何开始使用 Upstage 嵌入模型。

安装

安装 langchain-upstage 包。

pip install -U langchain-upstage

环境设置

确保设置以下环境变量

• UPSTAGE_API_KEY：您的 Upstage API 密钥，来自 Upstage 控制台。

import os

os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"

使用

初始化 UpstageEmbeddings 类。

from langchain_upstage import UpstageEmbeddings

embeddings = UpstageEmbeddings(model="solar-embedding-1-large")

使用 embed_documents 嵌入文本或文档列表。

doc_result = embeddings.embed_documents(
    ["Sung is a professor.", "This is another document"]
)
print(doc_result)

使用 embed_query 嵌入查询字符串。

query_result = embeddings.embed_query("What does Sung do?")
print(query_result)

使用 aembed_documents 和 aembed_query 进行异步操作。

# async embed query
await embeddings.aembed_query("My query to look up")

# async embed documents
await embeddings.aembed_documents(
    ["This is a content of the document", "This is another document"]
)

与向量存储一起使用

您可以将 UpstageEmbeddings 与向量存储组件一起使用。以下演示了一个简单的示例。

from langchain_community.vectorstores import DocArrayInMemorySearch

vectorstore = DocArrayInMemorySearch.from_texts(
    ["harrison worked at kensho", "bears like to eat honey"],
    embedding=UpstageEmbeddings(model="solar-embedding-1-large"),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)

API 参考：DocArrayInMemorySearch

相关

• 嵌入模型 概念指南
• 嵌入模型 操作指南