SambaStudio嵌入模型

这将帮助您使用 LangChain 开始使用 SambaNova 的 SambaStudio 嵌入模型。有关 SambaStudioEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

SambaNova 的 SambaStudio 是用于运行您自己的开源模型的平台

概览

集成细节

提供者	包
SambaNova	langchain-sambanova

设置

要访问 SambaStudio 模型，您需要在 SambaStudio 平台中 部署一个端点，并安装 langchain_sambanova 集成包。

pip install langchain-sambanova

Credentials

从您部署的SambaStudio端点获取URL和API密钥，并将其添加到环境变量中：

export SAMBASTUDIO_URL="sambastudio-url-key-here"
export SAMBASTUDIO_API_KEY="your-api-key-here"

import getpass
import os

if not os.getenv("SAMBASTUDIO_URL"):
    os.environ["SAMBASTUDIO_URL"] = getpass.getpass(
        "Enter your SambaStudio endpoint URL: "
    )

if not os.getenv("SAMBASTUDIO_API_KEY"):
    os.environ["SAMBASTUDIO_API_KEY"] = getpass.getpass(
        "Enter your SambaStudio API key: "
    )

如果您希望自动跟踪模型调用，也可以通过取消注释下方的代码来设置您的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 与 SambaNova 的集成位于 langchain-sambanova 包中：

%pip install -qU langchain-sambanova

Instantiation

现在我们就可以实例化我们的模型对象并生成聊天完成内容:

from langchain_sambanova import SambaStudioEmbeddings

embeddings = SambaStudioEmbeddings(
    model="e5-mistral-7b-instruct",
)

索引与检索​

嵌入模型通常用于检索增强生成（RAG）流程中，既用于数据索引，也用于后续的数据检索。有关更详细的说明，请参阅我们的 RAG 教程。

以下，查看如何使用我们上面初始化的 embeddings 对象来索引和检索数据。在此示例中，我们将在 InMemoryVectorStore 中索引并检索一个示例文档。

# 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

API 参考:内存向量存储

直接使用​

在底层，向量存储和检索器实现会调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 分别为用于 from_texts 和检索 invoke 操作的文本生成嵌入。

您可以直接调用这些方法，以获取适用于您自身用例的嵌入（embeddings）。

嵌入单个文本​

您可以使用 embed_query 来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

嵌入多个文本​

您可以通过 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

API 参考

有关 SambaStudio 功能和配置选项的详细文档，请参阅 API 参考。

相关

• 嵌入模型 概念指南
• 嵌入模型 使用指南