谷歌生成式AI嵌入
使用 GoogleGenerativeAIEmbeddings 类连接到谷歌的生成式AI嵌入服务，该类位于 langchain-google-genai 包中。
安装
%pip install --upgrade --quiet langchain-google-genai
凭证
import getpass
import os
if "GOOGLE_API_KEY" not in os.environ:
os.environ["GOOGLE_API_KEY"] = getpass("Provide your Google API key here")
用法
from langchain_google_genai import GoogleGenerativeAIEmbeddings
embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
vector = embeddings.embed_query("hello, world!")
vector[:5]
[0.05636945, 0.0048285457, -0.0762591, -0.023642512, 0.05329321]
批处理
您还可以一次嵌入多个字符串以加快处理速度：
vectors = embeddings.embed_documents(
[
"Today is Monday",
"Today is Tuesday",
"Today is April Fools day",
]
)
len(vectors), len(vectors[0])
(3, 768)
任务类型
GoogleGenerativeAIEmbeddings 可选地支持 task_type，目前必须是以下之一：
- task_type_unspecified
- retrieval_query
- retrieval_document
- semantic_similarity
- 分类
- 聚类
默认情况下，我们在 embed_documents 方法中使用 retrieval_document，在 embed_query 方法中使用 retrieval_query。如果您提供任务类型，我们将对所有方法使用该类型。
%pip install --upgrade --quiet matplotlib scikit-learn
Note: you may need to restart the kernel to use updated packages.
query_embeddings = GoogleGenerativeAIEmbeddings(
model="models/embedding-001", task_type="retrieval_query"
)
doc_embeddings = GoogleGenerativeAIEmbeddings(
model="models/embedding-001", task_type="retrieval_document"
)
所有这些将使用 'retrieval_query' 任务集进行嵌入
query_vecs = [query_embeddings.embed_query(q) for q in [query, query_2, answer_1]]
所有这些将使用 'retrieval_document' 任务集进行嵌入
doc_vecs = [doc_embeddings.embed_query(q) for q in [query, query_2, answer_1]]
在检索中，相对距离很重要。在上面的图像中，您可以看到“相关文档”和“相似文档”之 间的相似性分数差异，以及在后者情况下相似查询和相关文档之间的更强的差异。
额外配置
您可以传递以下参数给 ChatGoogleGenerativeAI，以自定义 SDK 的行为：
client_options: 客户端选项 传递给 Google API 客户端，例如自定义client_options["api_endpoint"]transport: 要使用的传输方法，例如rest、grpc或grpc_asyncio。
