PremAI
PremAI 是一个一体化平台，简化了由生成式人工智能驱动的强大、生产就绪应用程序的创建。通过简化开发过程，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。您可以快速开始使用我们的平台 这里。
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
在继续之前，请确保您已在PremAI上创建了帐户并创建了项目。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。让我们先导入我们的模块并设置我们的API密钥。
<!--IMPORTS:[{"imported": "PremAIEmbeddings", "source": "langchain_community.embeddings", "docs": "https://python.langchain.com/api_reference/community/embeddings/langchain_community.embeddings.premai.PremAIEmbeddings.html", "title": "PremAI"}]-->
# Let's start by doing some imports and define our embedding object
from langchain_community.embeddings import PremAIEmbeddings
一旦我们导入了所需的模块，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LLMs和嵌入模型列表。现在让我们选择text-embedding-3-large模型作为本示例。
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]
