探索Eden AI的潜力：如何使用LangChain与Eden AI进行交互

最新推荐文章于 2024-09-30 14:16:32 发布

llzwxh888

最新推荐文章于 2024-09-30 14:16:32 发布

阅读量265

点赞数 3

文章标签：人工智能 langchain 交互 python

本文链接：https://blog.csdn.net/ppoojjj/article/details/142376607

版权

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