梯度

Gradient 允许创建 Embeddings，以及对 LLM 进行微调并通过简单的 Web API 获取完成结果。

此笔记本介绍了如何将 Langchain 与 Gradient 的 Embeddings 一起使用。

导入

from langchain_community.embeddings import GradientEmbeddings

API 参考：GradientEmbeddings

设置环境 API 密钥

确保从 Gradient AI 获取您的 API 密钥。您可以获得 10 美元的免费积分来测试和微调不同的模型。

import os
from getpass import getpass

if not os.environ.get("GRADIENT_ACCESS_TOKEN", None):
    # Access token under https://auth.gradient.ai/select-workspace
    os.environ["GRADIENT_ACCESS_TOKEN"] = getpass("gradient.ai access token:")
if not os.environ.get("GRADIENT_WORKSPACE_ID", None):
    # `ID` listed in `$ gradient workspace list`
    # also displayed after login at at https://auth.gradient.ai/select-workspace
    os.environ["GRADIENT_WORKSPACE_ID"] = getpass("gradient.ai workspace id:")

可选：验证您的环境变量 GRADIENT_ACCESS_TOKEN 和 GRADIENT_WORKSPACE_ID 以获取当前部署的模型。使用 gradientai Python 包。

%pip install --upgrade --quiet  gradientai

创建 Gradient 实例

documents = [
    "Pizza is a dish.",
    "Paris is the capital of France",
    "numpy is a lib for linear algebra",
]
query = "Where is Paris?"

embeddings = GradientEmbeddings(model="bge-large")

documents_embedded = embeddings.embed_documents(documents)
query_result = embeddings.embed_query(query)

# (demo) compute similarity
import numpy as np

scores = np.array(documents_embedded) @ np.array(query_result).T
dict(zip(documents, scores))

相关

• 嵌入模型 概念指南
• 嵌入模型 操作指南