`langchain_community.embeddings.zhipuai`.ZhipuAIEmbeddings¶

class langchain_community.embeddings.zhipuai.ZhipuAIEmbeddings[source]¶

基础： BaseModel，Embeddings

ZhipuAI 嵌入模型集成。

配置

使用前，您应安装 zhipuai Python 包，并将环境变量 ZHIPU_API_KEY 设置为您的 API 密钥。

关于 ZhipuAi Embeddings 的更多说明，您可以访问 https://open.bigmodel.cn/dev/api#vector
pip install -U zhipuai
export ZHIPU_API_KEY="your-api-key"

关键初始化参数 —— 完成参数

model: 可选[str]: ZhipuAI 要使用的模型名称。
api_key: str: 如果没有提供，则从环境变量 ZHIPU_API_KEY 中自动推断。

有关支持的初始化参数及其描述的完整列表，请参阅参数部分。

实例化

from langchain_community.embeddings import ZhipuAIEmbeddings

embed = ZhipuAIEmbeddings(
    model="embedding-2",
    # api_key="...",
)

嵌入单个文本

input_text = "The meaning of life is 42"
embed.embed_query(input_text)

[-0.003832892, 0.049372625, -0.035413884, -0.019301128, 0.0068899863, 0.01248398, -0.022153955, 0.006623926, 0.00778216, 0.009558191, ...]

嵌入多个文本

input_texts = ["This is a test query1.", "This is a test query2."]
embed.embed_documents(input_texts)

[
    [0.0083934665, 0.037985895, -0.06684559, -0.039616987, 0.015481004, -0.023952313, ...],
    [-0.02713102, -0.005470169, 0.032321047, 0.042484466, 0.023290444, 0.02170547, ...]
]

通过解析和验证从关键字参数输入的数据来创建一个新的模型。

如果输入数据无法解析成有效的模型，则抛出 ValidationError。

param api_key: str [Required]¶: 如果没有提供，则从环境变量 ZHIPU_API_KEY 中自动推断。

param model: str = 'embedding-2'¶: 模型名称

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[浮点数]]

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

异步嵌入查询文本。

参数: text (字符串) – 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[float]][source]¶

使用AutoVOT算法嵌入一系列文本文档。

参数: texts (列表[字符串]) – 要嵌入的文本文档列表。
返回: 输入列表中每个文档的嵌入列表。每个嵌入由浮点值列表表示。
返回类型: 列表[列表[浮点数]]

embed_query(text: str) → List[float][source]¶

使用AutoVOT算法嵌入文本。

参数: text (字符串) – 要嵌入的文本。
返回: 输入文档的嵌入列表。
返回类型: 列表[浮点数]

langchain_community.embeddings.zhipuai.ZhipuAIEmbeddings¶

`langchain_community.embeddings.zhipuai`.ZhipuAIEmbeddings¶