ZhipuAIEmbeddings
这将帮助您开始使用 LangChain 智谱AI嵌入模型。有关 ZhipuAIEmbeddings
特性和配置选项的详细文档,请参阅API 参考。
概述
集成详情
提供商 | 包 |
---|---|
智谱AI | langchain-community |
设置
要访问智谱AI嵌入模型,您需要创建一个智谱AI账户,获取一个API密钥,并安装 zhipuai
集成包。
凭证
请访问 https://bigmodel.cn/ 注册智谱AI并生成API密钥。完成此操作后,请设置 ZHIPUAI_API_KEY 环境变量。
import getpass
import os
if not os.getenv("ZHIPUAI_API_KEY"):
os.environ["ZHIPUAI_API_KEY"] = getpass.getpass("Enter your ZhipuAI API key: ")
要启用模型调用的自动跟踪,请设置您的 LangSmith API 密钥
# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
安装
LangChain 智谱AI集成位于 zhipuai
包中。
%pip install -qU zhipuai
Note: you may need to restart the kernel to use updated packages.
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_community.embeddings import ZhipuAIEmbeddings
embeddings = ZhipuAIEmbeddings(
model="embedding-3",
# With the `embedding-3` class
# of models, you can specify the size
# of the embeddings you want returned.
# dimensions=1024
)
API 参考:ZhipuAIEmbeddings
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
'LangChain is the framework for building context-aware reasoning applications'
直接用法
在底层,向量存储和检索器实现分别调用 embeddings.embed_documents(...)
和 embeddings.embed_query(...)
,为 from_texts
中使用的文本和检索 invoke
操作中的文本创建嵌入。
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
[-0.022979736, 0.007785797, 0.04598999, 0.012741089, -0.01689148, 0.008277893, 0.016464233, 0.009246
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
[-0.022979736, 0.007785797, 0.04598999, 0.012741089, -0.01689148, 0.008277893, 0.016464233, 0.009246
[-0.02330017, -0.013916016, 0.00022411346, 0.017196655, -0.034240723, 0.011131287, 0.011497498, -0.0
API 参考
有关 ZhipuAIEmbeddings
特性和配置选项的详细文档,请参阅 API 参考。