AIMlAPIEmbeddings 集成

使用 LangChain Python 与 AIMlAPIEmbeddings 嵌入模型进行集成。

本指南将帮助您开始使用 LangChain 集成 AI/ML API 嵌入模型。

概述

集成详情

类	包	本地支持	JS 支持	下载量	版本
AIMLAPIEmbeddings	langchain-aimlapi	❌	❌

设置

要访问 AI/ML API 嵌入模型，您需要创建一个账户、获取 API 密钥，并安装 langchain-aimlapi 集成包。

凭证

前往 aimlapi.com 注册并生成 API 密钥。完成后，设置 AIMLAPI_API_KEY 环境变量：

import getpass
import os

if not os.getenv("AIMLAPI_API_KEY"):
    os.environ["AIMLAPI_API_KEY"] = getpass.getpass("Enter your AI/ML API key: ")

要启用模型调用的自动追踪，请设置您的 LangSmith API 密钥：

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

安装

LangChain AI/ML API 集成位于 langchain-aimlapi 包中：

pip install -qU langchain-aimlapi

实例化

现在我们可以实例化嵌入模型并执行嵌入操作：

from langchain_aimlapi import AIMLAPIEmbeddings

embeddings = AIMLAPIEmbeddings(
    model="text-embedding-ada-002",
)

索引与检索

嵌入模型常用于检索增强生成（RAG）流程。以下是如何使用上面初始化的 embeddings 对象和 InMemoryVectorStore 进行数据索引和检索。

from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

retriever = vectorstore.as_retriever()

retrieved_documents = retriever.invoke("What is LangChain?")
retrieved_documents[0].page_content

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

直接使用

您可以直接调用 embed_query 和 embed_documents 以应对自定义嵌入场景。

嵌入单个文本

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])

嵌入多个文本

text2 = "LangGraph is a library for building stateful, multi-actor applications with LLMs"

vectors = embeddings.embed_documents([text, text2])
for vector in vectors:
    print(str(vector)[:100])

---

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.