TogetherEmbeddings

这将帮助您开始使用 LangChain 中的 Together 嵌入模型。有关 TogetherEmbeddings 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
Together	langchain-together

设置

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

凭据

前往https://api.together.xyz/ 注册 Together 并生成 API 密钥。完成此操作后，设置 TOGETHER_API_KEY 环境变量

import getpass
import os

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

如果您希望自动跟踪模型调用，还可以通过取消以下注释来设置您的LangSmith API 密钥

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

安装

LangChain Together 集成位于 langchain-together 包中

%pip install -qU langchain-together

[notice] A new release of pip is available: 24.0 -> 24.2
[notice] To update, run: python -m pip install --upgrade pip
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完成

from langchain_together import TogetherEmbeddings

embeddings = TogetherEmbeddings(
    model="togethercomputer/m2-bert-80M-8k-retrieval",
)

索引和检索

嵌入模型通常用于检索增强生成 (RAG) 流程，作为索引数据的一部分以及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 教程使用外部知识教程。

下面，了解如何使用我们在上面初始化的 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 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

[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011,

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

[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011, 
[0.066308185, -0.032866564, 0.115751594, 0.19082588, 0.14017, -0.26976448, -0.056340694, -0.26923394

API 参考

有关 TogetherEmbeddings 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