Skip to main content
Open In ColabOpen on GitHub

TogetherEmbeddings

这将帮助您开始使用LangChain的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

提供商
Togetherlangchain-together

设置

要访问Together嵌入模型,您需要创建一个Together账户,获取一个API密钥,并安装langchain-together集成包。

凭证

前往 https://api.together.xyz/ 注册 Together 并生成一个 API 密钥。完成此操作后,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: ")

如果你想获取模型调用的自动追踪,你也可以通过取消注释以下内容来设置你的LangSmith API密钥:

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_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完成:

from langchain_together import TogetherEmbeddings

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

索引与检索

嵌入模型通常用于检索增强生成(RAG)流程中,既作为索引数据的一部分,也用于后续的检索。有关更详细的说明,请参阅我们的RAG教程

下面,看看如何使用我们上面初始化的embeddings对象来索引和检索数据。在这个例子中,我们将在InMemoryVectorStore中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,向量存储和检索器实现正在调用 embeddings.embed_documents(...)embeddings.embed_query(...) 来分别为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。

你可以直接调用这些方法来获取嵌入,用于你自己的用例。

嵌入单个文本

你可以使用embed_query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

你可以使用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

有关TogetherEmbeddings功能和配置选项的详细文档,请参阅API参考


这个页面有帮助吗?