UpstageEmbeddings 集成

使用 LangChain 集成 UpstageEmbeddings 嵌入模型。

从 ‘/snippets/oss/langchain-community-unmaintained.mdx’ 导入 LangchainCommunityUnmaintained;

这个笔记本介绍了如何使用 Upstage 嵌入模型入门。

安装

安装 langchain-upstage 包。

pip install -U langchain-upstage

环境配置

请确保设置以下环境变量：

• UPSTAGE_API_KEY: 您的 Upstage API 键，从 Upstage 控制台 获取。

import os

os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"

使用方法

初始化 UpstageEmbeddings 类。

from langchain_upstage import UpstageEmbeddings

embeddings = UpstageEmbeddings(model="solar-embedding-1-large")

使用 embed_documents 对文本列表或文档进行嵌入。

doc_result = embeddings.embed_documents(
    ["Sung is a professor.", "This is another document"]
)
print(doc_result)

使用 embed_query 对查询字符串进行嵌入。

query_result = embeddings.embed_query("What does Sung do?")
print(query_result)

使用 aembed_documents 和 aembed_query 进行异步操作。

# async embed query
await embeddings.aembed_query("My query to look up")

# async embed documents
await embeddings.aembed_documents(
    ["This is a content of the document", "This is another document"]
)

与向量存储结合使用

您可以使用 UpstageEmbeddings 与向量存储组件结合。以下是一个简单示例。

from langchain_community.vectorstores import DocArrayInMemorySearch

vectorstore = DocArrayInMemorySearch.from_texts(
    ["harrison worked at kensho", "bears like to eat honey"],
    embedding=UpstageEmbeddings(model="solar-embedding-1-large"),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)

---

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