FireworksEmbeddings 集成

使用 LangChain Python 集成 FireworksEmbeddings 嵌入模型。

本文将帮助您开始使用 LangChain 集成 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。

概述

集成详情

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。

凭证

前往 fireworks.ai 注册 Fireworks 并生成 API 密钥。完成后，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("输入您的 Fireworks API 密钥：")

要启用模型调用的自动追踪，请设置您的 LangSmith API 密钥：

os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("输入您的 LangSmith API 密钥：")

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模型对象并生成嵌入：

from langchain_fireworks import FireworksEmbeddings

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

索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，既用于索引数据，也用于后续检索。更详细的说明，请参阅我们的 RAG 教程。

下面展示了如何使用上面初始化的 embeddings 对象来索引和检索数据。在本示例中，我们将在 InMemoryVectorStore 中索引和检索一个示例文档。

# 使用示例文本创建向量存储
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain 是用于构建上下文感知推理应用程序的框架"

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

# 将向量存储用作检索器
retriever = vectorstore.as_retriever()

# 检索最相似的文本
retrieved_documents = retriever.invoke("什么是 LangChain？")

# 显示检索到的文档内容
retrieved_documents[0].page_content

'LangChain 是用于构建上下文感知推理应用程序的框架'

直接使用

在底层，向量存储和检索器的实现会调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，分别为 from_texts 中使用的文本和检索 invoke 操作创建嵌入。

您可以直接调用这些方法来获取嵌入，以满足自己的使用场景。

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])  # 显示向量的前 100 个字符

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

嵌入多个文本

您可以使用 embed_documents 嵌入多个文本：

text2 = (
    "LangGraph 是一个用于构建基于 LLM 的有状态、多参与者应用程序的库"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # 显示向量的前 100 个字符

[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 FireworksEmbeddings 所有功能和配置的详细文档，请前往 API 参考。

---

Edit this page on GitHub or file an issue.

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