ZhipuAIEmbeddings

这将帮助您开始使用 LangChain 的 ZhipuAI 嵌入模型。 有关 `ZhipuAIEmbeddings` 功能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
ZhipuAI	langchain-community

设置

要访问 ZhipuAI 嵌入模型，您需要创建一个 ZhipuAI 账户，获取 API 密钥，并安装 `zhipuai` 集成包。

凭证

访问 https://bigmodel.cn/usercenter/apikeys 注册 ZhipuAI 并生成 API 密钥。 完成后，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: ")

如果您想获得模型调用的自动追踪，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 ZhipuAI 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我们的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

嵌入模型通常用于检索增强生成 (RAG) 流程中，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，了解如何使用我们上面初始化的 `embeddings` 对象索引和检索数据。 在此示例中，我们将在 `InMemoryVectorStore` 中索引和检索示例文档。

# 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(...)`，以为 `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

[-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` 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 conceptual guide
• 嵌入模型操作指南 how-to guides