FireworksEmbeddings

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

概览

集成详情

提供者	包
Fireworks	langchain-fireworks

设置

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

凭据

前往 fireworks.ai 注册 Fireworks 并生成一个 API 密钥。完成此操作后，请设置 FIREWORKS_API_KEY 环境变量：

import getpass
import os

if not os.getenv("FIREWORKS_API_KEY"):
    os.environ["FIREWORKS_API_KEY"] = getpass.getpass("Enter your Fireworks 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 Fireworks 集成位于 langchain-fireworks 包中：

%pip install -qU langchain-fireworks

实例化

现在我们可以实例化我们的模型对象并生成聊天补全：

from langchain_fireworks import FireworksEmbeddings

embeddings = FireworksEmbeddings(
    model="nomic-ai/nomic-embed-text-v1.5",
)

API 参考：FireworksEmbeddings

索引与检索

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，也用于稍后检索数据。如需更详细的说明，请参阅我们的RAG教程。

下面，看看如何使用上面初始化的 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示例文档在 InMemoryVectorStore 中。

# 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

API 参考：InMemoryVectorStore

'LangChain is the framework for building context-aware reasoning applications'

直接使用

在内部，向量存储和检索器的实现分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。

你可以直接调用这些方法，为自己的使用场景获取嵌入。

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

[0.01666259765625, 0.011688232421875, -0.1181640625, -0.10205078125, 0.05438232421875, -0.0890502929

嵌入多个文本

您可以嵌入多个文本，使用 embed_documents：

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

[0.016632080078125, 0.01165008544921875, -0.1181640625, -0.10186767578125, 0.05438232421875, -0.0890
[-0.02667236328125, 0.036651611328125, -0.1630859375, -0.0904541015625, -0.022430419921875, -0.09545

API 参考

有关所有 FireworksEmbeddings 功能和配置的详细文档，请访问 API 参考。

相关

• 嵌入模型 概念指南
• 嵌入模型 操操作指南