> ## 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.

# 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](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings)。

## 概述

### 集成细节

| 类 | 包 | 本地 | Python 支持 | 包下载 | 包最新 |
| :- | :- | :-: | :-: | :-: | :-: |
| [`PerplexityEmbeddings`](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings) | [`langchain-perplexity`](https://github.com/langchain-ai/langchain/tree/master/libs/partners/perplexity) | ❌ | ✅ | ![PyPI - 下载](https://img.shields.io/pypi/dm/langchain-perplexity?style=flat-square\&label=%20) | ![PyPI - 版本](https://img.shields.io/pypi/v/langchain-perplexity?style=flat-square\&label=%20) |

## 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](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：

```python theme={null}
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](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 Perplexity 集成位于 `langchain-perplexity` 包中：

```python theme={null}
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：

```python theme={null}
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](https://docs.perplexity.ai/api-reference/embeddings-post)。

## 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，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。

```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
```

### 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
```

### 异步使用

`PerplexityEmbeddings` 还暴露了异步方法：

```python theme={null}
single_vector = await embeddings.aembed_query(text)
two_vectors = await embeddings.aembed_documents([text, text2])
```

> [!NOTE]
>
> 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](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings) 和 [Perplexity 嵌入 API 文档](https://docs.perplexity.ai/api-reference/embeddings-post)。

***

> 官方原文：[src/oss/python/integrations/embeddings/perplexity.mdx](https://github.com/langchain-ai/docs/blob/main/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。


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