PremAI
PremAI 是一个一体化平台，简化了基于生成式人工智能的强大、可投入生产的应用程序的创建。通过简化开发流程，PremAI 使您能够专注于提升用户体验和推动应用程序的整体增长。您可以通过 这里 快速开始使用我们的平台。
安装和设置
我们首先安装 langchain 和 premai-sdk。您可以输入以下命令进行安装：
pip install premai langchain
在进一步操作之前，请确保您已在 PremAI 上注册了账户并创建了项目。如果没有，请参考 快速入门 指南以开始使用 PremAI 平台。创建您的第一个项目并获取您的 API 密钥。
PremEmbeddings
在本节中，我们将讨论如何使用 PremEmbeddings 通过 LangChain 访问不同的嵌入模型。让我们先导入模块并设置我们的 API 密钥。
# Let's start by doing some imports and define our embedding object
from langchain_community.embeddings import PremAIEmbeddings
导入所需的模块后，让我们设置我们的客户端。现在假设我们的 project_id 是 8。但请确保使用您的项目 ID，否则会抛出错误。
注意：与 ChatPremAI. 不同，设置
model_name参数对于 PremAIEmbeddings 是强制性的。
import getpass
import os
if os.environ.get("PREMAI_API_KEY") is None:
os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:")
model = "text-embedding-3-large"
embedder = PremAIEmbeddings(project_id=8, model=model)
我们支持许多最先进的嵌入模型。您可以在 这里 查看我们支持的 LLM 和嵌入模型列表。现在我们选择 text-embedding-3-large 模型作为示例。
query = "Hello, this is a test query"
query_result = embedder.embed_query(query)
# Let's print the first five elements of the query embedding vector
print(query_result[:5])
[-0.02129288576543331, 0.0008162345038726926, -0.004556538071483374, 0.02918623760342598, -0.02547479420900345]
最后，让我们嵌入一个文档。
documents = ["This is document1", "This is document2", "This is document3"]
doc_result = embedder.embed_documents(documents)
# Similar to previous result, let's print the first five element
# of the first document vector
print(doc_result[0][:5])
[-0.0030691148713231087, -0.045334383845329285, -0.0161729846149683, 0.04348714277148247, -0.0036920777056366205]