FireworksEmbeddings

class langchain_fireworks.embeddings.FireworksEmbeddings

基础类：BaseModel, Embeddings

烟花嵌入模型集成。

Setup:

安装 langchain_fireworks 并设置环境变量 FIREWORKS_API_KEY。

pip install -U langchain_fireworks
export FIREWORKS_API_KEY="your-api-key"

Key init args — completion params:

model: str

使用的Fireworks模型名称。

Key init args — client params:

fireworks_api_key: SecretStr

烟花API密钥。

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。

Instantiate:

from langchain_fireworks import FireworksEmbeddings

model = FireworksEmbeddings(
    model='nomic-ai/nomic-embed-text-v1.5'
    # Use FIREWORKS_API_KEY env var or pass it in directly
    # fireworks_api_key="..."
)

Embed multiple texts:

vectors = embeddings.embed_documents(['hello', 'goodbye'])
# Showing only the first 3 coordinates
print(len(vectors))
print(vectors[0][:3])

2
[-0.024603435769677162, -0.007543657906353474, 0.0039630369283258915]

Embed single text:

input_text = "The meaning of life is 42"
vector = embeddings.embed_query('hello')
print(vector[:3])

[-0.024603435769677162, -0.007543657906353474, 0.0039630369283258915]

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 client: OpenAI = None

param fireworks_api_key: SecretStr [Optional] (alias 'api_key')

烟花API密钥。

如果未提供，则自动从环境变量 FIREWORKS_API_KEY 中读取。

param model: str = 'nomic-ai/nomic-embed-text-v1.5'

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]

embed_documents(texts: List[str]) → List[List[float]]

嵌入搜索文档。

Parameters:

文本 (列表[字符串])

Return type:

列表[列表[float]]

embed_query(text: str) → List[float]

嵌入查询文本。

Parameters:

文本 (str)

Return type:

列表[float]