SambaStudioEmbeddings

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

SambaNova's SambaStudio 是一个运行您自己的开源模型的平台

概述

集成详情

Provider	Package
SambaNova	langchain-sambanova

设置

要访问 SambaStudio 模型，您需要在 SambaStudio 平台中 部署一个端点，并安装 langchain_sambanova 集成包。

pip install langchain-sambanova

凭据

从您的 SambaStudio 部署的端点获取 URL 和 API 密钥，并将它们添加到您的环境变量中：

export SAMBASTUDIO_URL="sambastudio-url-key-here"
export SAMBASTUDIO_API_KEY="your-api-key-here"

import getpass
import os

if not os.getenv("SAMBASTUDIO_URL"):
    os.environ["SAMBASTUDIO_URL"] = getpass.getpass(
        "Enter your SambaStudio endpoint URL: "
    )

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

如果你想获得模型调用的自动追踪，你也可以通过取消下面这行注释来设置你的 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 SambaNova 集成位于 langchain-sambanova 包中：

%pip install -qU langchain-sambanova

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_sambanova import SambaStudioEmbeddings

embeddings = SambaStudioEmbeddings(
    model="e5-mistral-7b-instruct",
)

索引与检索

嵌入模型经常用于检索增强生成 (RAG) 的流程中，既可以作为索引数据的组成部分，也可以用于后续的检索。更多详细说明，请参阅我们的 RAG 教程。

下方展示了如何使用我们上面初始化的 embeddings 对象来索引和检索数据。在此示例中，我们将索引并检索 InMemoryVectorStore 中的一个示例文档。

# 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

直接使用

在底层，vectorstore 和 retriever 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 embedding。

您可以直接调用这些方法来为自己的用例获取 embedding。

嵌入单个文本

您可以使用 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

嵌入多个文本

您可以使用 embed_documents 来嵌入多个文本：

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

API 参考

关于 SambaStudio 功能和配置选项的详细文档，请参阅 API 参考。

Related

• Embedding model conceptual guide
• Embedding model how-to guides