Netmind嵌入
这将帮助您开始使用 Netmind 使用 LangChain 嵌入模型。有关NetmindEmbeddings功能和配置选项，请参考 API 参考。
概述
集成详细信息
| 提供商 | 包 |
|---|---|
| Netmind | langchain-netmind |
设置
要访问 Netmind 嵌入模型，您需要创建一个 Netmind 帐户，获取 API 密钥，并安装langchain-netmind集成包。
凭据
前往 https://www.netmind.ai/ 注册 Netmind 并生成 API 密钥。完成此作后，设置 NETMIND_API_KEY 环境变量：
import getpass
import os
if not os.getenv("NETMIND_API_KEY"):
os.environ["NETMIND_API_KEY"] = getpass.getpass("Enter your Netmind API key: ")
如果您想自动跟踪模型调用，您还可以通过取消下面的注释来设置您的 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 Netmind 集成位于langchain-netmind包：
%pip install -qU langchain-netmind
[1m[[0m[34;49mnotice[0m[1;39;49m][0m[39;49m A new release of pip is available: [0m[31;49m24.0[0m[39;49m -> [0m[32;49m25.0.1[0m
[1m[[0m[34;49mnotice[0m[1;39;49m][0m[39;49m To update, run: [0m[32;49mpip install --upgrade pip[0m
Note: you may need to restart the kernel to use updated packages.
实例
现在我们可以实例化我们的 Model 对象：
from langchain_netmind import NetmindEmbeddings
embeddings = NetmindEmbeddings(
model="nvidia/NV-Embed-v2",
)
索引和检索
嵌入模型通常用于检索增强生成 （RAG） 流程中，既可以作为索引数据的一部分，也可以作为以后检索数据的一部分。有关更详细的说明，请参阅我们的 RAG 教程。
下面，了解如何使用embeddings对象。在此示例中，我们将在InMemoryVectorStore.
# 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 参考：InMemoryVectorStore
'LangChain is the framework for building context-aware reasoning applications'
直接使用
在后台，vectorstore 和 retriever 实现正在调用embeddings.embed_documents(...)和embeddings.embed_query(...)为 中使用的文本创建嵌入from_texts和检索invoke作。
您可以直接调用这些方法来获取您自己的使用案例的嵌入。
嵌入单个文本
您可以嵌入单个文本或文档embed_query:
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100]) # Show the first 100 characters of the vector
[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146
嵌入多个文本
您可以使用embed_documents:
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
[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146
[0.022523142397403717, -0.002223758026957512, -0.008578270673751831, -0.006029821466654539, 0.008752
API 参考
有关NetmindEmbeddings功能和配置选项，请参考：