PremAI 公司

PremAI 是一个一体化平台，可简化由生成式 AI 提供支持的强大、生产就绪型应用程序的创建。通过简化开发过程，PremAI 使您能够专注于增强用户体验并推动应用程序的整体增长。您可以在此处快速开始使用我们的平台。

安装和设置

我们首先安装langchain和premai-sdk.您可以键入以下命令进行安装：

pip install premai langchain

在继续之前，请确保您已在 PremAI 上注册帐户并已创建一个项目。如果没有，请参考快速入门指南开始使用 PremAI 平台。创建您的第一个项目并获取您的 API 密钥。

PremEmbeddings （预嵌入）

在本节中，我们将讨论如何使用PremEmbeddings与 LangChain 一起使用。让我们从导入我们的模块并设置我们的 API 密钥开始。

# Let's start by doing some imports and define our embedding object

from langchain_community.embeddings import PremAIEmbeddings

API 参考：PremAIEmbeddings

导入所需的模块后，让我们设置客户端。现在，我们假设我们的project_id是8.但请确保你使用了你的 project-id，否则它会抛出错误。

注意：设置model_name与 ChatPremAI 不同，PremAIEmbeddings 的参数是必需的。

import getpass
import os

if os.environ.get("PREMAI_API_KEY") is None:
    os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:")

model = "text-embedding-3-large"
embedder = PremAIEmbeddings(project_id=8, model=model)

我们支持许多最先进的嵌入模型。您可以在此处查看我们支持的 LLM 和嵌入模型列表。现在让我们开始text-embedding-3-largemodel 的实例。

query = "Hello, this is a test query"
query_result = embedder.embed_query(query)

# Let's print the first five elements of the query embedding vector

print(query_result[:5])

[-0.02129288576543331, 0.0008162345038726926, -0.004556538071483374, 0.02918623760342598, -0.02547479420900345]

最后，让我们嵌入一个文档

documents = ["This is document1", "This is document2", "This is document3"]

doc_result = embedder.embed_documents(documents)

# Similar to previous result, let's print the first five element
# of the first document vector

print(doc_result[0][:5])

[-0.0030691148713231087, -0.045334383845329285, -0.0161729846149683, 0.04348714277148247, -0.0036920777056366205]

嵌入模型概念指南
嵌入模型操作指南

安装和设置

PremEmbeddings （预嵌入）

相关