> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-docs-zh.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# MistralAIEmbeddings 集成

> 集成 MistralAIEmbeddings 嵌入模型，使用 LangChain

这将帮助您使用 LangChain 开始使用 MistralAI 嵌入模型。有关 `MistralAIEmbeddings` 功能和配置选项的详细文档，请参阅 [API 参考](https://reference.langchain.com/python/langchain-mistralai/embeddings/MistralAIEmbeddings)。

## 概述

### 集成细节

## 设置

要访问 MistralAI 嵌入模型，您需要创建一个 MistralAI 账户，获取一个 API 密钥，并安装 `langchain-mistralai` 集成包。

### 凭证

前往 [https://console.mistral.ai/](https://console.mistral.ai/) 注册 MistralAI 并生成 API 密钥。完成后，设置 MISTRAL\_API\_KEY 环境变量：

```python theme={null}
import getpass
import os

if not os.getenv("MISTRAL_API_KEY"):
    os.environ["MISTRAL_API_KEY"] = getpass.getpass("Enter your MistralAI API key: ")
```

要启用模型调用的自动跟踪，设置您的 [LangSmith](https://docs.langchain.com/langsmith/observability) API 密钥：

```python theme={null}
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
```

### 安装

LangChain MistralAI 集成位于 `langchain-mistralai` 包中：

```python theme={null}
pip install -qU langchain-mistralai
```

## 实例化

现在我们可以实例化我们的模型对象并生成对话补全：

```python theme={null}
from langchain_mistralai import MistralAIEmbeddings

embeddings = MistralAIEmbeddings(
    model="mistral-embed",
)
```

## 索引和检索

嵌入模型通常用于检索增强生成（RAG）流程中，既作为索引数据的一部分，也用于稍后检索。有关更详细的说明，请参阅我们的 [RAG 教程](https://langchain-docs-zh.mintlify.site/langchain/oss/deepagents/rag.md)。

下面，看看如何使用我们上面初始化的 `embeddings` 对象来索引和检索数据。在这个例子中，我们将索引和检索一个 `InMemoryVectorStore` 中的示例文档。

```python theme={null}
# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# show the retrieved document's content
retrieved_documents[0].page_content
```

```text theme={null}
'LangChain is the framework for building context-aware reasoning applications'
```

## 直接使用

在底层，向量存储和检索器的实现会调用 `embeddings.embed_documents(...)` 和 `embeddings.embed_query(...)` 来为 `from_texts` 中的文本(s) 创建嵌入，以及分别为检索 `invoke` 操作创建嵌入。

您可以直接调用这些方法来获取您自己的用例的嵌入。

### 嵌入单个文本

您可以使用 `embed_query` 嵌入单个文本或文档：

```python theme={null}
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector
```

```text theme={null}
[-0.04443359375, 0.01885986328125, 0.018035888671875, -0.00864410400390625, 0.049652099609375, -0.00
```

### 嵌入多个文本

您可以使用 `embed_documents` 嵌入多个文本：

```python theme={null}
text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector
```

```text theme={null}
[-0.04443359375, 0.01885986328125, 0.0180511474609375, -0.0086517333984375, 0.049652099609375, -0.00
[-0.02032470703125, 0.02606201171875, 0.051605224609375, -0.0281982421875, 0.055755615234375, 0.0019
```

***

## API 参考

有关 `MistralAIEmbeddings` 功能和配置选项的详细文档，请参阅 [API 参考](https://reference.langchain.com/python/langchain-mistralai/embeddings/MistralAIEmbeddings)。

***

> 官方原文：[src/oss/python/integrations/embeddings/mistralai.mdx](https://github.com/langchain-ai/docs/blob/main/src/oss/python/integrations/embeddings/mistralai.mdx) · 非官方翻译，译文由 AI 生成，以英文原文为准。


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.