UpstageEmbeddings
本文介绍了如何使用 Upstage 嵌入模型。
安装
安装 langchain-upstage 包。
bash
pip install -U langchain-upstage环境设置
确保设置以下环境变量：
UPSTAGE_API_KEY：从 Upstage 控制台 获取的 Upstage API 密钥。
python
import os
os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"使用方法
初始化 UpstageEmbeddings 类。
python
from langchain_upstage import UpstageEmbeddings
embeddings = UpstageEmbeddings()使用 embed_documents 方法嵌入文本或文档列表。
python
doc_result = embeddings.embed_documents(
["Sam is a teacher.", "This is another document"]
)
print(doc_result)使用 embed_query 方法嵌入查询字符串。
python
query_result = embeddings.embed_query("What does Sam do?")
print(query_result)使用 aembed_documents 和 aembed_query 进行异步操作。
python
# 异步嵌入查询
await embeddings.aembed_query("My query to look up")python
# 异步嵌入文档
await embeddings.aembed_documents(
["This is a content of the document", "This is another document"]
)与向量存储一起使用
您可以将 UpstageEmbeddings 与向量存储组件一起使用。以下是一个简单示例。
python
from langchain_community.vectorstores import DocArrayInMemorySearch
vectorstore = DocArrayInMemorySearch.from_texts(
["harrison worked at kensho", "bears like to eat honey"],
embedding=UpstageEmbeddings(),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)