`langchain_community.embeddings.dashscope`.DashScopeEmbeddings¶

class langchain_community(embeddings).DashScopeEmbeddings[source]¶

基础：BaseModel，Embeddings

DashScope 嵌入模型。

要使用，您应该已安装dashscope Python 包，并将环境变量DASHSCOPE_API_KEY设置为您的 API 键，或者将其作为命名参数传递给构造函数。

示例

from langchain_community.embeddings import DashScopeEmbeddings
embeddings = DashScopeEmbeddings(dashscope_api_key="my-api-key")

示例

import os
os.environ["DASHSCOPE_API_KEY"] = "your DashScope API KEY"

from langchain_community.embeddings.dashscope import DashScopeEmbeddings
embeddings = DashScopeEmbeddings(
    model="text-embedding-v1",
)
text = "This is a test query."
query_result = embeddings.embed_query(text)

通过分析和验证从关键字参数中输入的数据来创建新的模型。

如果输入数据无法解析为有效的模型，则引发 ValidationError。

参数 client: Any = None¶: DashScope 客户端。

参数 dashscope_api_key: Optional[str] = None¶

参数 max_retries: int = 5¶: 生成时的最大重试次数。

参数 model: str = 'text-embedding-v1'¶

async aembed_documents(texts: List[str]) → List[List[float]]¶

异步嵌入搜索文档。

参数: texts (列表[字符串]) – 要嵌入的文本列表。
返回: 嵌入列表。
返回类型: 列表[列表[浮动点数]]

async aembed_query(text: str) → List[float]¶

异步嵌入查询文本。

参数: text (str) – 要嵌入的文本。
返回: 嵌入。
返回类型: 列表[浮点数]

embed_documents(texts: List[str]) → List[List[浮点数]][源代码]¶

调用DashScope嵌入端点以嵌入搜索文档。

参数

texts (List[str]) – 要嵌入的文本列表。
chunk_size – 嵌入的块大小。如果为None，将使用类指定的块大小。

返回

每个文本一个嵌入的列表。

返回类型

列表[列表[浮动点数]]

embed_query(text: str) → List[浮点数][源代码]¶

调用DashScope嵌入端点以嵌入查询文本。

参数: text (str) – 要嵌入的文本。
返回: 文本的嵌入。
返回类型: 列表[浮点数]

langchain_community.embeddings.dashscope.DashScopeEmbeddings¶

使用DashScopeEmbeddings的示例¶

`langchain_community.embeddings.dashscope`.DashScopeEmbeddings¶