Skip to main content
Open In ColabOpen on GitHub

NetmindEmbeddings

这将帮助您使用 LangChain 开始使用 Netmind 嵌入模型。有关 NetmindEmbeddings 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
Netmindlangchain-netmind

设置​

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

凭据​

前往 https://www.netmind.ai/ 注册Netmind账号并生成API密钥。完成后，请设置NETMIND_API_KEY环境变量：

import getpass
import os

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

如果你想自动跟踪模型调用，也可以通过取消注释下面的内容来设置你的 LangSmith API 密钥：

# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

安装​

LangChain Netmind 集成位于 langchain-netmind 包中：

%pip install -qU langchain-netmind

[notice] A new release of pip is available: 24.0 -> 25.0.1
[notice] To update, run: pip install --upgrade pip
Note: you may need to restart the kernel to use updated packages.

实例化​

现在我们可以实例化我们的模型对象：

from langchain_netmind import NetmindEmbeddings

embeddings = NetmindEmbeddings(
    model="nvidia/NV-Embed-v2",
)

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
[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146

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
[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146
[0.022523142397403717, -0.002223758026957512, -0.008578270673751831, -0.006029821466654539, 0.008752

API 参考​

有关 NetmindEmbeddings 功能和配置选项的详细文档，请参阅：