PerplexityEmbeddings 集成

使用 LangChain Python 集成 Perplexity 的嵌入模型。

这将帮助您使用 LangChain 开始使用 Perplexity 嵌入模型。有关 PerplexityEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

概述

集成细节

类	包	本地	Python 支持	包下载	包最新
PerplexityEmbeddings	langchain-perplexity	❌	✅

设置

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

凭证

前往 https://www.perplexity.ai/account/api/keys 注册 Perplexity API 并生成 API 密钥。完成后，设置 PPLX_API_KEY（或 PERPLEXITY_API_KEY）环境变量：

import getpass
import os

if not os.getenv("PPLX_API_KEY"):
    os.environ["PPLX_API_KEY"] = getpass.getpass("Enter your Perplexity API key: ")

要启用模型调用的自动跟踪，请设置您的 LangSmith API 密钥：

os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装

LangChain Perplexity 集成位于 langchain-perplexity 包中：

pip install -qU langchain-perplexity

实例化

现在我们可以实例化我们的嵌入模型对象并生成嵌入：

from langchain_perplexity import PerplexityEmbeddings

embeddings = PerplexityEmbeddings(
    model="pplx-embed-v1-4b",
    # api_key="...",       # if you prefer to pass the key explicitly
    # request_timeout=60,
    # max_retries=6,
)

可用模型包括 pplx-embed-v1-4b（默认）和 pplx-embed-v1-0.6b。有关当前列表和维度的信息，请参阅 Perplexity 嵌入 API 参考。

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。

下面，我们将使用上面初始化的 embeddings 对象来索引和检索数据。在这个示例中，我们将索引和检索 InMemoryVectorStore 中的示例文档。

# 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

'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：

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

嵌入多个文本

您可以使用 embed_documents 嵌入多个文本：

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

异步使用

PerplexityEmbeddings 还暴露了异步方法：

single_vector = await embeddings.aembed_query(text)
two_vectors = await embeddings.aembed_documents([text, text2])

Perplexity 返回 base64 编码的 signed int8 嵌入。 PerplexityEmbeddings 将这些解码为 list[float] 值，范围在 [-128, 127]。API 的量化输出保留了幅度；由于缺乏单位长度归一化，余弦相似度不受影响。

---

API 参考

有关 PerplexityEmbeddings 功能和配置选项的详细文档，请参阅 API 参考 和 Perplexity 嵌入 API 文档。

---

官方原文：src/oss/python/integrations/embeddings/perplexity.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。