SambaNovaCloud嵌入

这将帮助您开始使用 SambaNovaCloud 使用 LangChain 嵌入模型。有关SambaNovaCloudEmbeddings功能和配置选项，请参考 API 参考。

SambaNova 的 SambaNova Cloud 是一个使用开源模型执行推理的平台

概述

集成详细信息

提供商	包
SambaNova	langchain-sambanova

设置

要访问 ChatSambaNovaCloud 模型，您需要创建一个 SambaNovaCloud 帐户，获取 API 密钥，安装langchain_sambanova集成包。

pip install langchain-sambanova

凭据

从 cloud.sambanova.ai 获取 API 密钥并将其添加到您的环境变量中：

export SAMBANOVA_API_KEY="your-api-key-here"

import getpass
import os

if not os.getenv("SAMBANOVA_API_KEY"):
    os.environ["SAMBANOVA_API_KEY"] = getpass.getpass("Enter your SambaNova 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["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain SambaNova 集成位于langchain-sambanova包：

%pip install -qU langchain-sambanova

实例

现在我们可以实例化我们的 Model 对象并生成聊天补全：

from langchain_sambanova import SambaNovaCloudEmbeddings

embeddings = SambaNovaCloudEmbeddings(
    model="E5-Mistral-7B-Instruct",
)

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

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

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

API 参考

有关SambaNovaCloud功能和配置选项，请参考 API 参考。

嵌入模型概念指南
嵌入模型操作指南

概述