CohereEmbeddings

这将帮助您开始使用 LangChain 中的 Cohere 嵌入模型。有关 CohereEmbeddings 功能和配置选项的详细文档，请参阅API 参考。

概述

集成详情

提供者	包
Cohere	langchain-cohere

设置

要访问 Cohere 嵌入模型，您需要创建一个 Cohere 帐户，获取 API 密钥，并安装 langchain-cohere 集成包。

凭据

前往cohere.com 注册 Cohere 并生成 API 密钥。完成此操作后，设置 COHERE_API_KEY 环境变量

import getpass
import os

if not os.getenv("COHERE_API_KEY"):
    os.environ["COHERE_API_KEY"] = getpass.getpass("Enter your Cohere API key: ")

如果您希望自动跟踪模型调用，还可以设置您的LangSmith API 密钥，方法是在下面取消注释

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain Cohere 集成位于 langchain-cohere 包中

%pip install -qU langchain-cohere

实例化

现在我们可以实例化我们的模型对象并生成聊天完成

from langchain_cohere import CohereEmbeddings

embeddings = CohereEmbeddings(
    model="embed-english-v3.0",
)

API 参考：CohereEmbeddings

索引和检索

嵌入模型通常用于检索增强生成 (RAG) 流程，既作为索引数据的一部分，也作为随后检索数据的一部分。有关更详细的说明，请参阅使用外部知识教程下的 RAG 教程。

下面，了解如何使用上面初始化的 embeddings 对象索引和检索数据。在此示例中，我们将索引和检索 InMemoryVectorStore 中的示例文档。

# 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

在幕后，向量存储和检索器实现分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 中使用的文本和检索 invoke 操作创建嵌入。

您可以直接调用这些方法来获取您自己用例的嵌入。

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, -0.030212402, -0.08886719, -0.08569336, 0.007030487, -0.0010671616, -0.033813477, 0.0

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

[-0.028869629, -0.030410767, -0.099121094, -0.07116699, -0.012748718, -0.0059432983, -0.04360962, 0.
[-0.047332764, -0.049957275, -0.07458496, -0.034332275, -0.057922363, -0.0112838745, -0.06994629, 0.

API 参考

有关 CohereEmbeddings 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
• 嵌入模型操作指南