Skip to main content
Open In ColabOpen on GitHub

AI21Embeddings

此服务已弃用。 :::

这将帮助您开始使用 LangChain 的 AI21 嵌入模型。有关 AI21Embeddings 功能和配置选项的详细文档，请参阅API 参考。

概述​

集成详情​

ProviderPackage
AI21langchain-ai21

设置​

要访问 AI21 嵌入模型，您需要创建一个 AI21 账户，获取 API 密钥，并安装 langchain-ai21 集成包。

凭证​

请前往https://docs.ai21.com/ 注册 AI21 并生成 API 密钥。完成此操作后，请设置 AI21_API_KEY 环境变量：

import getpass
import os

if not os.getenv("AI21_API_KEY"):
    os.environ["AI21_API_KEY"] = getpass.getpass("Enter your AI21 API key: ")

为了启用对模型调用的自动跟踪，请设置您的 LangSmith API 密钥：

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

安装​

LangChain AI21 集成位于 langchain-ai21 包中：

%pip install -qU langchain-ai21

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_ai21 import AI21Embeddings

embeddings = AI21Embeddings(
    # Can optionally increase or decrease the batch_size
    # to improve latency.
    # Use larger batch sizes with smaller documents, and
    # smaller batch sizes with larger documents.
    # batch_size=256,
)

索引与检索​

Embedding 模型常用于检索增强生成（RAG）流程中，既可用于索引数据，也可用于后续检索。更多详细说明，请参阅我们的 RAG 教程。

下面将展示如何使用我们上面初始化的 embeddings 对象来索引和检索数据。在本例中，我们将在 InMemoryVectorStore 中索引和检索一个示例文档。

# 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 Reference:InMemoryVectorStore
'LangChain is the framework for building context-aware reasoning applications'

直接使用​

在底层，vectorstore 和 retriever 的实现会分别调用 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 embeddings。

你可以直接调用这些方法来获取 embeddings 以满足你自己的使用场景。

嵌入单个文本​

你可以使用 embed_query 来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
[0.01913362182676792, 0.004960147198289633, -0.01582135073840618, -0.042474791407585144, 0.040200788

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
[0.03029559925198555, 0.002908500377088785, -0.02700909972190857, -0.04616579785943031, 0.0382771529
[0.018214847892522812, 0.011460083536803722, -0.03329407051205635, -0.04951060563325882, 0.032756105

API 参考文档

有关 AI21Embeddings 功能和配置选项的详细文档，请参阅 API 参考文档。