Skip to main content
本文档将帮助您开始使用 LangChain 集成 Cohere 嵌入模型。有关 CohereEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

​
设置

要访问 Cohere 嵌入模型，您需要创建一个 Cohere 账户、获取 API 密钥，并安装 langchain-cohere 集成包。

​
凭证

前往 cohere.com 注册 Cohere 并生成 API 密钥。完成此操作后，设置 COHERE_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("COHERE_API_KEY"):
    os.environ["COHERE_API_KEY"] = getpass.getpass("Enter your Cohere API key: ")
要启用模型调用的自动跟踪，请设置您的 LangSmith API 密钥： 
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

​
安装

LangChain Cohere 集成位于 langchain-cohere 包中： 
pip install -qU langchain-cohere

​
实例化

现在我们可以实例化模型对象并生成聊天补全： 
from langchain_cohere import CohereEmbeddings

embeddings = CohereEmbeddings(
    model="embed-english-v3.0",
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，既作为索引数据的一部分，也用于后续检索。更多详细说明，请参阅我们的 RAG 教程。 下面，我们将展示如何使用上面初始化的 embeddings 对象来索引和检索数据。在此示例中，我们将在 InMemoryVectorStore 中索引和检索一个示例文档。 
# 创建一个包含示例文本的向量存储
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

# 将向量存储用作检索器
retriever = vectorstore.as_retriever()

# 检索最相似的文本
retrieved_documents = retriever.invoke("What is LangChain?")

# 显示检索到的文档内容
retrieved_documents[0].page_content

'LangChain is the framework for building context-aware reasoning applications'

​
直接使用

在底层，向量存储和检索器实现会调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，分别为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。 您可以直接调用这些方法来获取嵌入，以供您自己的用例使用。

​
嵌入单个文本

您可以使用 embed_query 嵌入单个文本或文档： 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # 显示向量的前 100 个字符

[-0.022979736, -0.030212402, -0.08886719, -0.08569336, 0.007030487, -0.0010671616, -0.033813477, 0.0

​
嵌入多个文本

您可以使用 embed_documents 嵌入多个文本： 
text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # 显示向量的前 100 个字符

[-0.028869629, -0.030410767, -0.099121094, -0.07116699, -0.012748718, -0.0059432983, -0.04360962, 0.
[-0.047332764, -0.049957275, -0.07458496, -0.034332275, -0.057922363, -0.0112838745, -0.06994629, 0.

​
API 参考

有关 CohereEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。
在 GitHub 上编辑此页面 或 提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等工具 以获取实时答案。