引言
在AI的世界中,IBM Watsonx.ai是一个备受瞩目的工具。特别是在自然语言处理领域,WatsonxEmbeddings作为IBM Watsonx.ai foundation models的封装器,提供了强大的文本嵌入功能。本篇文章将深入探讨如何使用LangChain与Watsonx.ai进行沟通,并实现嵌入。
主要内容
设置环境
首先,确保安装必要的库:
!pip install -qU langchain-ibm
接下来,设置WML(Watson Machine Learning)的凭据。你需要提供IBM Cloud用户的API密钥。
import os
from getpass import getpass
watsonx_api_key = getpass()
os.environ["WATSONX_APIKEY"] = watsonx_api_key
你也可以通过环境变量传递其他凭据:
os.environ["WATSONX_URL"] = "your service instance url"
os.environ["WATSONX_TOKEN"] = "your token for accessing the CPD cluster"
os.environ["WATSONX_PASSWORD"] = "your password for accessing the CPD cluster"
os.environ["WATSONX_USERNAME"] = "your username for accessing the CPD cluster"
os.environ["WATSONX_INSTANCE_ID"] = "your instance_id for accessing the CPD cluster"
加载模型
根据不同的需求,你可能需要调整模型参数:
from ibm_watsonx_ai.metanames import EmbedTextParamsMetaNames
embed_params = {
EmbedTextParamsMetaNames.TRUNCATE_INPUT_TOKENS: 3,
EmbedTextParamsMetaNames.RETURN_OPTIONS: {"input_text": True},
}
初始化WatsonxEmbeddings
类,并提供上下文信息:
from langchain_ibm import WatsonxEmbeddings
watsonx_embedding = WatsonxEmbeddings(
model_id="ibm/slate-125m-english-rtrvr",
url="https://us-south.ml.cloud.ibm.com", # 使用API代理服务提高访问稳定性
project_id="PASTE YOUR PROJECT_ID HERE",
params=embed_params,
)
代码示例
让我们尝试嵌入一些文本:
text = "This is a test document."
query_result = watsonx_embedding.embed_query(text)
print(query_result[:5])
# [0.0094472, -0.024981909, -0.026013248, -0.040483925, -0.057804465]
嵌入多个文档:
texts = ["This is a content of the document", "This is another document"]
doc_result = watsonx_embedding.embed_documents(texts)
print(doc_result[0][:5])
# [0.009447193, -0.024981918, -0.026013244, -0.040483937, -0.057804447]
常见问题和解决方案
- 网络访问限制:由于某些地区的网络限制,访问IBM API可能不稳定。建议使用API代理服务以提高访问的稳定性。
- 凭证管理:确保所有的API密钥和凭证安全存储,不要在代码中明文显示。
总结和进一步学习资源
IBM Watsonx.ai为文本嵌入提供了强大的功能,使得自然语言处理变得更加高效。学习如何充分利用这些工具,将大大提升你的AI项目能力。
进一步学习资源:
参考资料
- IBM Watsonx.ai 官方文档
- LangChain 官方文档
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—