Skip to main content
Open In ColabOpen on GitHub

EDEN AI

Eden AI 通过汇集顶尖的 AI 提供商，正在革新 AI 格局，使用户能够解锁无限可能，并发挥人工智能的真正潜力。通过一个全面且无忧的一站式平台，它允许用户以闪电般的速度将 AI 功能部署到生产环境中，通过单一 API 轻松访问各种 AI 功能。（官网：https://edenai.co/）

本示例将介绍如何使用 LangChain 与 Eden AI embedding 模型进行交互。

访问 EDENAI 的 API 需要一个 API 密钥，

您可以通过创建账户 https://app.edenai.run/user/register 并访问此链接 https://app.edenai.run/admin/account/settings 来获取。

拿到密钥后，我们可以通过运行以下命令将其设置为环境变量：

export EDENAI_API_KEY="..."

如果您不想设置环境变量，可以直接通过名为 edenai_api_key 的参数来传递密钥

在初始化 EdenAI embedding 类时：

from langchain_community.embeddings.edenai import EdenAiEmbeddings
API Reference:EdenAiEmbeddings
embeddings = EdenAiEmbeddings(edenai_api_key="...", provider="...")

调用模型​

EdenAI API 整合了多个提供商。

要访问特定模型，你可以在调用时直接使用“provider”。

embeddings = EdenAiEmbeddings(provider="openai")
docs = ["It's raining right now", "cats are cute"]
document_result = embeddings.embed_documents(docs)
query = "my umbrella is broken"
query_result = embeddings.embed_query(query)
import numpy as np

query_numpy = np.array(query_result)
for doc_res, doc in zip(document_result, docs):
    document_numpy = np.array(doc_res)
    similarity = np.dot(query_numpy, document_numpy) / (
        np.linalg.norm(query_numpy) * np.linalg.norm(document_numpy)
    )
    print(f'Cosine similarity between "{doc}" and query: {similarity}')
Cosine similarity between "It's raining right now" and query: 0.849261496107252
Cosine similarity between "cats are cute" and query: 0.7525900655705218