Skip to main content

UpstageEmbeddings

本文介绍了如何使用 Upstage 嵌入模型。

安装​

安装 langchain-upstage 包。

pip install -U langchain-upstage

环境设置​

确保设置以下环境变量：

import os
os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"

使用方法​

初始化 UpstageEmbeddings 类。

from langchain_upstage import UpstageEmbeddings
embeddings = UpstageEmbeddings()

使用 embed_documents 方法嵌入文本或文档列表。

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。

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。

# 异步嵌入查询
await embeddings.aembed_query("My query to look up")
# 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。

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)

Was this page helpful?


You can leave detailed feedback on GitHub.