TogetherEmbeddings

这将帮助您开始使用 LangChain 对 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

Provider	Package
Together	langchain-together

设置

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

凭证

前往 https://api.together.xyz/ 注册 Together 并生成 API 密钥。完成此操作后，请设置 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: ")

为了启用模型调用的自动化跟踪，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 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补全：

from langchain_together import TogetherEmbeddings

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

API Reference:TogetherEmbeddings

索引与检索

嵌入模型常用于检索增强生成（RAG）流程中，既可以作为索引数据的组成部分，也可以用于后续的数据检索。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。在本示例中，我们将使用 InMemoryVectorStore 来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 实现会分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 和检索 invoke 操作使用的文本创建 embeddings。

你可以直接调用这些方法来为自己的用例获取 embeddings。

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

[0.3812227, -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

关于 TogetherEmbeddings 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