ZhipuAIEmbeddings#
- class langchain_community.embeddings.zhipuai.ZhipuAIEmbeddings[source]#
基础类：
BaseModel,Embeddings智谱AI嵌入模型集成。
设置：
要使用，您应该安装
zhipuaipython包，并设置环境变量ZHIPU_API_KEY为您的API密钥。关于ZhipuAi Embeddings的更多说明，您可以从https://open.bigmodel.cn/dev/api#vector获取。
pip install -U zhipuai export ZHIPU_API_KEY="your-api-key"
- Key init args — completion params:
- model: Optional[str]
使用的ZhipuAI模型名称。
- api_key: str
如果未提供，则自动从环境变量 ZHIPU_API_KEY 推断。
请参阅参数部分中支持的初始化参数及其描述的完整列表。
实例化：
from langchain_community.embeddings import ZhipuAIEmbeddings embed = ZhipuAIEmbeddings( model="embedding-2", # api_key="...", )
- Embed single text:
input_text = "The meaning of life is 42" embed.embed_query(input_text)
[-0.003832892, 0.049372625, -0.035413884, -0.019301128, 0.0068899863, 0.01248398, -0.022153955, 0.006623926, 0.00778216, 0.009558191, ...]
- Embed multiple text:
input_texts = ["This is a test query1.", "This is a test query2."] embed.embed_documents(input_texts)
[ [0.0083934665, 0.037985895, -0.06684559, -0.039616987, 0.015481004, -0.023952313, ...], [-0.02713102, -0.005470169, 0.032321047, 0.042484466, 0.023290444, 0.02170547, ...] ]
通过解析和验证来自关键字参数的输入数据来创建一个新模型。
如果输入数据无法验证以形成有效模型，则引发 [ValidationError][pydantic_core.ValidationError]。
self 被显式地设为仅位置参数，以允许 self 作为字段名称。
- param api_key: str [Required]#
如果未提供，则自动从环境变量 ZHIPU_API_KEY 推断。
- param dimensions: int | None = None#
生成的输出嵌入应具有的维度数。
仅在embedding-3及更高版本的模型中支持。
- param model: str = 'embedding-2'#
模型名称
- async aembed_documents(texts: list[str]) list[list[float]]#
异步嵌入搜索文档。
- Parameters:
文本 (列表[字符串]) – 要嵌入的文本列表。
- Returns:
嵌入列表。
- Return type:
列表[列表[浮点数]]
- async aembed_query(text: str) list[float]#
异步嵌入查询文本。
- Parameters:
文本 (str) – 要嵌入的文本。
- Returns:
嵌入。
- Return type:
列表[浮点数]