FireworksEmbeddings

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

概述

集成详细信息

提供商	包
Fireworks	langchain-fireworks

设置

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

凭据

访问fireworks.ai 注册 Fireworks 并生成 API 密钥。完成此操作后，设置 FIREWORKS_API_KEY 环境变量

import getpass
import os

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

如果您想自动跟踪模型调用，您还可以设置您的LangSmith API 密钥，方法是取消以下注释

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

安装

LangChain Fireworks 集成位于langchain-fireworks 包中

%pip install -qU langchain-fireworks

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_fireworks import FireworksEmbeddings

embeddings = FireworksEmbeddings(
    model="nomic-ai/nomic-embed-text-v1.5",
)

API 参考：FireworksEmbeddings

索引和检索

嵌入模型通常用于检索增强生成 (RAG) 流程中，既作为索引数据的一部分，也作为稍后检索数据的一部分。有关更详细的说明，请参阅我们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，我们将使用InMemoryVectorStore 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

[0.01666259765625, 0.011688232421875, -0.1181640625, -0.10205078125, 0.05438232421875, -0.0890502929

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

[0.016632080078125, 0.01165008544921875, -0.1181640625, -0.10186767578125, 0.05438232421875, -0.0890
[-0.02667236328125, 0.036651611328125, -0.1630859375, -0.0904541015625, -0.022430419921875, -0.09545

API 参考

有关所有FireworksEmbeddings 功能和配置的详细文档，请访问API 参考。

相关

• 嵌入模型概念指南
• 嵌入模型操作指南