Google Vertex AI 嵌入
这将帮助您开始使用LangChain的Google Vertex AI嵌入模型。有关Google Vertex AI Embeddings
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 | 包 |
---|---|
langchain-google-vertexai |
设置
要访问Google Vertex AI Embeddings模型,您需要
- 创建一个Google Cloud账户
- 安装
langchain-google-vertexai
集成包。
凭证
前往Google Cloud注册并创建一个账户。完成此操作后,设置GOOGLE_APPLICATION_CREDENTIALS环境变量:
更多信息,请参阅:
https://cloud.google.com/docs/authentication/application-default-credentials#GAC https://googleapis.dev/python/google-auth/latest/reference/google.auth.html#module-google.auth
可选:验证您的笔记本环境(仅限Colab)
如果您在Google Colab上运行此笔记本,请运行下面的单元格以验证您的环境。
import sys
if "google.colab" in sys.modules:
from google.colab import auth
auth.authenticate_user()
设置Google Cloud项目信息并初始化Vertex AI SDK
要开始使用 Vertex AI,您必须拥有一个现有的 Google Cloud 项目并启用 Vertex AI API。
了解更多关于设置项目和开发环境的信息。
PROJECT_ID = "[your-project-id]" # @param {type:"string"}
LOCATION = "us-central1" # @param {type:"string"}
import vertexai
vertexai.init(project=PROJECT_ID, location=LOCATION)
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 Google Vertex AI 嵌入集成位于 langchain-google-vertexai
包中:
%pip install -qU langchain-google-vertexai
实例化
现在我们可以实例化我们的模型对象并生成嵌入:
查看支持的模型列表
from langchain_google_vertexai import VertexAIEmbeddings
# Initialize the a specific Embeddings Model version
embeddings = VertexAIEmbeddings(model_name="text-embedding-004")
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
'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(...)
和 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
[-0.02831101417541504, 0.022063178941607475, -0.07454229146242142, 0.006448323838412762, 0.001955120
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
[-0.01092718355357647, 0.01213780976831913, -0.05650627985596657, 0.006737854331731796, 0.0085973171
[0.010135706514120102, 0.01234869472682476, -0.07284046709537506, 0.00027134662377648056, 0.01546290
API 参考
有关Google Vertex AI Embeddings
功能和配置选项的详细文档,请参阅API参考。