探索Eden AI和LangChain的完美结合：如何轻松调用嵌入模型-CSDN博客

本文链接：https://blog.csdn.net/sjufgwgfhoia/article/details/143670327

探索Eden AI和LangChain的完美结合：如何轻松调用嵌入模型

人工智能的快速发展带来了前所未有的机遇，而Eden AI正在通过整合顶尖的AI提供商，彻底改变这一领域。Eden AI提供了一个全方位、一体化的平台，使用户能够通过单一API轻松访问AI的全面功能。这篇文章将详细介绍如何使用LangChain与Eden AI的嵌入模型进行交互，从而释放AI的无限潜力。

主要内容

获取API密钥

要访问Eden AI的API，首先需要获取API密钥。注册账号后，可以在Eden AI账户设置页面中找到。

完成注册后，将API密钥设置为环境变量：

export EDENAI_API_KEY="YOUR_API_KEY"

如果不想设置环境变量，可以在初始化EdenAI嵌入类时，通过edenai_api_key参数直接传入密钥。

使用LangChain与Eden AI的嵌入模型交互

Eden AI API集成了多个提供商，要访问特定的模型，使用“provider”参数即可。

from langchain_community.embeddings.edenai import EdenAiEmbeddings

# 使用API代理服务提高访问稳定性
embeddings = EdenAiEmbeddings(edenai_api_key="YOUR_API_KEY", provider="openai")

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)

计算余弦相似性

使用NumPy计算查询与文档之间的余弦相似性，以衡量它们的相似度。

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

Cosine similarity between "It's raining right now" and query: 0.849261496107252
Cosine similarity between "cats are cute" and query: 0.7525900655705218