课程链接
1. 设置 OpenAI 的 API 密钥
在本节中，我们首先涉及到了如何导入必要的库和模块，这些是后续操作的基础。涉及到的库包括 os 模块用于环境变量操作，volcenginesdkarkruntime 中的 Ark 用于API调用，typing 中的 List 和 Any 用于类型注解，langchain.embeddings.base 中的 Embeddings 用于文本嵌入，以及 langchain.pydantic_v1 中的 BaseModel 用于数据模型验证。
2. 初始化 Embedding 类
我们创建了一个名为 DoubaoEmbeddings 的类，它继承自 BaseModel 和 Embeddings。这个类的属性包括 client、api_key 和 model。在类的构造函数 __init__ 中，如果 api_key 未提供，则会自动从环境变量 OPENAI_API_KEY 中获取。同时，我们初始化了 Ark 客户端，设置了 base_url 和 api_key，为后续的API调用做好了准备。
3. 生成文本的 Embedding
在这一节中，我们介绍了两个核心方法：
embed_query方法：该方法用于生成输入文本的 embedding，并返回一个浮点数值列表。embed_documents方法：该方法对一个文本列表进行 embedding，并返回一个嵌入列表。
4. 使用 Embedding
我们创建了一个 DoubaoEmbeddings 实例，并使用 embed_documents 方法为一组文本生成嵌入。随后，我们打印了嵌入向量的长度和第一个向量的前三个元素，以验证嵌入的正确性。
5. 缓存嵌入向量
为了提高效率和响应速度，我们引入了缓存机制：
- 导入
InMemoryStore用于在 RAM 中临时存储数据。 - 创建
CacheBackedEmbeddings实例，提供缓存功能，嵌入存储在InMemoryStore中。 - 使用
embedder为两段文本生成嵌入，并将结果存储在内存存储中。
6. 文档加载和索引创建
在这一节中，我们探讨了如何加载文档和创建索引：
- 导入
TextLoader用于加载文本文件。 - 使用
VectorstoreIndexCreator从加载器创建索引。 - 定义查询字符串，并使用创建的索引执行查询，打印查询结果。
7. 文本分割和向量存储
最后，我们讨论了文本分割和向量存储的实现：
- 导入
CharacterTextSplitter用于文本分割。 - 导入
Qdrant作为向量存储。 - 创建
VectorstoreIndexCreator实例，指定vectorstore_cls为Qdrant，使用CharacterTextSplitter进行文本分割。
总结
通过本章节的学习，我们不仅掌握了如何使用 RAG（Retrieval-Augmented Generation）技术来助力鲜花运营，还通过实际代码示例深入了解了从设置 OpenAI API 密钥、初始化 Embedding 类、生成文本的 Embedding、缓存嵌入向量、文档加载和索引创建、到文本分割和向量存储的完整流程。这些技术的应用极大地提高了鲜花运营的效率和准确性，为相关领域的AI应用提供了强有力的技术支持。
