Voyage AI
Voyage AI 提供最先进的嵌入/向量化模型。
让我们加载 Voyage AI 嵌入类。（使用 pip install langchain-voyageai 安装 LangChain 合作伙伴包）
from langchain_voyageai import VoyageAIEmbeddings
API 参考：VoyageAIEmbeddings
Voyage AI 利用 API 密钥来监控使用情况和管理权限。要获取您的密钥，请在我们的 主页 上创建一个帐户。然后，使用您的 API 密钥创建一个 VoyageEmbeddings 模型。您可以使用以下任何模型：（来源）
voyage-3voyage-3-litevoyage-large-2voyage-code-2voyage-2voyage-law-2voyage-large-2-instructvoyage-finance-2voyage-multilingual-2
embeddings = VoyageAIEmbeddings(
voyage_api_key="[ Your Voyage API key ]", model="voyage-law-2"
)
准备文档并使用 embed_documents 获取它们的嵌入。
documents = [
"Caching embeddings enables the storage or temporary caching of embeddings, eliminating the necessity to recompute them each time.",
"An LLMChain is a chain that composes basic LLM functionality. It consists of a PromptTemplate and a language model (either an LLM or chat model). It formats the prompt template using the input key values provided (and also memory key values, if available), passes the formatted string to LLM and returns the LLM output.",
"A Runnable represents a generic unit of work that can be invoked, batched, streamed, and/or transformed.",
]
documents_embds = embeddings.embed_documents(documents)
documents_embds[0][:5]
[0.0562174916267395,
0.018221192061901093,
0.0025736060924828053,
-0.009720131754875183,
0.04108370840549469]
同样，使用 embed_query 嵌入查询。
query = "What's an LLMChain?"
query_embd = embeddings.embed_query(query)
query_embd[:5]
[-0.0052348352037370205,
-0.040072452276945114,
0.0033957737032324076,
0.01763271726667881,
-0.019235141575336456]
一个极简的检索系统
嵌入的主要特点是，两个嵌入之间的余弦相似度捕获了相应原始段落的语义相关性。这允许我们使用嵌入进行语义检索/搜索。
我们可以根据余弦相似度在文档嵌入中找到几个最接近的嵌入，并使用 LangChain 的 KNNRetriever 类检索相应的文档。
from langchain_community.retrievers import KNNRetriever
retriever = KNNRetriever.from_texts(documents, embeddings)
# retrieve the most relevant documents
result = retriever.invoke(query)
top1_retrieved_doc = result[0].page_content # return the top1 retrieved result
print(top1_retrieved_doc)
API 参考：KNNRetriever
An LLMChain is a chain that composes basic LLM functionality. It consists of a PromptTemplate and a language model (either an LLM or chat model). It formats the prompt template using the input key values provided (and also memory key values, if available), passes the formatted string to LLM and returns the LLM output.