解锁Google Generative AI Embeddings的力量：快速入门指南

最新推荐文章于 2024-10-04 22:36:54 发布

dsndnwfk

最新推荐文章于 2024-10-04 22:36:54 发布

阅读量252

点赞数 5

文章标签：人工智能 python

本文链接：https://blog.csdn.net/dsndnwfk/article/details/142676690

版权

# 解锁Google Generative AI Embeddings的力量：快速入门指南

## 引言

在当今的AI领域中，生成式嵌入技术正变得越来越重要。Google Generative AI Embeddings提供了一种强大的工具来处理各种自然语言处理任务。本指南旨在帮助您快速上手使用`langchain-google-genai`包中的`GoogleGenerativeAIEmbeddings`类。

## 主要内容

### 安装

首先，我们需要安装`langchain-google-genai`包。确保您已配置好Python环境，并执行以下命令：

```bash
%pip install --upgrade --quiet langchain-google-genai

配置凭据

为了访问Google的API，您需要提供一个API密钥。您可以通过以下代码片段将密钥存储在环境变量中：

import getpass
import os

if "GOOGLE_API_KEY" not in os.environ:
    os.environ["GOOGLE_API_KEY"] = getpass("Provide your Google API key here")

用法示例

一旦您完成了安装和配置，就可以开始生成嵌入。以下是基本用法示例：

from langchain_google_genai import GoogleGenerativeAIEmbeddings

embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
vector = embeddings.embed_query("hello, world!")
print(vector[:5])
# 输出: [0.05636945, 0.0048285457, -0.0762591, -0.023642512, 0.05329321]

批量处理

您可以一次嵌入多个字符串，从而加快处理速度：

vectors = embeddings.embed_documents(
    [
        "Today is Monday",
        "Today is Tuesday",
        "Today is April Fools day",
    ]
)
print(len(vectors), len(vectors[0]))
# 输出: (3, 768)

任务类型

GoogleGenerativeAIEmbeddings支持多种任务类型，如retrieval_query和retrieval_document。您可以根据需要选择合适的任务类型。

query_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/embedding-001", task_type="retrieval_query"
)
doc_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/embedding-001", task_type="retrieval_document"
)

代码示例

下面是一个完整的代码示例，展示如何使用批量处理和不同的任务类型：

from langchain_google_genai import GoogleGenerativeAIEmbeddings
import os

# 设置API密钥
os.environ["GOOGLE_API_KEY"] = "YOUR_API_KEY"

# 使用API代理服务提高访问稳定性
embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")

# 单条查询的嵌入
vector = embeddings.embed_query("hello, world!")
print("单条嵌入:", vector[:5])

# 批量嵌入
documents = ["Today is Monday", "Today is Tuesday", "Today is April Fools day"]
vectors = embeddings.embed_documents(documents)
print("批量嵌入:", len(vectors), len(vectors[0]))

# 使用不同的任务类型
query_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/embedding-001", task_type="retrieval_query"
)
doc_embeddings = GoogleGenerativeAIEmbeddings(
    model="models/embedding-001", task_type="retrieval_document"
)