IBM watsonx.ai

WatsonxEmbeddings 是 IBM watsonx.ai 基础模型的封装。

这个示例展示了如何使用 LangChain 与 watsonx.ai 模型进行通信。

设置

安装 langchain-ibm 包。

!pip install -qU langchain-ibm

这个单元格定义了与 watsonx Embeddings 一起工作所需的 WML 凭据。

操作： 提供 IBM Cloud 用户 API 密钥。详情请参阅文档。

import os
from getpass import getpass
watsonx_api_key = getpass()
os.environ["WATSONX_APIKEY"] = watsonx_api_key

此外，您可以将其他秘密作为环境变量传递。

import os
os.environ["WATSONX_URL"] = "your service instance url"
os.environ["WATSONX_TOKEN"] = "your token for accessing the CPD cluster"
os.environ["WATSONX_PASSWORD"] = "your password for accessing the CPD cluster"
os.environ["WATSONX_USERNAME"] = "your username for accessing the CPD cluster"
os.environ["WATSONX_INSTANCE_ID"] = "your instance_id for accessing the CPD cluster"

加载模型

您可能需要调整不同模型的 parameters。

from ibm_watsonx_ai.metanames import EmbedTextParamsMetaNames
embed_params = {
    EmbedTextParamsMetaNames.TRUNCATE_INPUT_TOKENS: 3,
    EmbedTextParamsMetaNames.RETURN_OPTIONS: {"input_text": True},
}

使用先前设置的参数初始化 WatsonxEmbeddings 类。

注意：

• 为了提供 API 调用的上下文，您必须添加 project_id 或 space_id。更多信息请参阅文档。

• 根据您配置的服务实例的区域，使用其中一个描述的 URL here。

在这个示例中，我们将使用 project_id 和 Dallas URL。

您需要指定将用于推理的 model_id。

from langchain_ibm import WatsonxEmbeddings
watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/slate-125m-english-rtrvr",
    url="https://us-south.ml.cloud.ibm.com",
    project_id="PASTE YOUR PROJECT_ID HERE",
    params=embed_params,
)

或者，您可以使用 Cloud Pak for Data 凭据。详情请参阅文档。

watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/slate-125m-english-rtrvr",
    url="PASTE YOUR URL HERE",
    username="PASTE YOUR USERNAME HERE",
    password="PASTE YOUR PASSWORD HERE",
    instance_id="openshift",
    version="5.0",
    project_id="PASTE YOUR PROJECT_ID HERE",
    params=embed_params,
)

使用

嵌入查询

text = "This is a test document."
query_result = watsonx_embedding.embed_query(text)
query_result[:5]

[0.0094472, -0.024981909, -0.026013248, -0.040483925, -0.057804465]

嵌入文档

texts = ["This is a content of the document", "This is another document"]
doc_result = watsonx_embedding.embed_documents(texts)
doc_result[0][:5]

[0.009447193, -0.024981918, -0.026013244, -0.040483937, -0.057804447]