Skip to main content
本指南将帮助您开始使用 LangChain 集成 Perplexity 嵌入模型。有关 PerplexityEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

类包本地Python 支持包下载量包最新版本
PerplexityEmbeddingslangchain-perplexity❌✅PyPI - DownloadsPyPI - Version

​
设置

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

​
凭证

前往 https://www.perplexity.ai/account/api/keys 注册 Perplexity API 并生成 API 密钥。完成此操作后，设置 PPLX_API_KEY（或 PERPLEXITY_API_KEY）环境变量： 
import getpass
import os

if not os.getenv("PPLX_API_KEY"):
    os.environ["PPLX_API_KEY"] = getpass.getpass("Enter your Perplexity 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 Perplexity 集成包含在 langchain-perplexity 包中： 
pip install -qU langchain-perplexity

​
实例化

现在我们可以实例化嵌入模型对象并生成嵌入向量： 
from langchain_perplexity import PerplexityEmbeddings

embeddings = PerplexityEmbeddings(
    model="pplx-embed-v1-4b",
    # api_key="...",       # 如果您希望显式传递密钥
    # request_timeout=60,
    # max_retries=6,
)
可用模型包括 pplx-embed-v1-4b（默认）和 pplx-embed-v1-0.6b。有关当前列表和维度，请参阅 Perplexity Embeddings API 参考。

​
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。更详细的说明，请参阅我们的 RAG 教程。 下面，了解如何使用我们上面初始化的 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。 
# 使用示例文本创建向量存储
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分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 和检索 invoke 操作中使用的文本创建嵌入向量。 您可以直接调用这些方法来获取您自己用例的嵌入向量。

​
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

​
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

​
异步使用

PerplexityEmbeddings 也提供了异步方法： 
single_vector = await embeddings.aembed_query(text)
two_vectors = await embeddings.aembed_documents([text, text2])
Perplexity 返回 base64 编码的有符号 int8 嵌入向量。PerplexityEmbeddings 将其解码为 [-128, 127] 范围内的 list[float] 值。其大小保留了 API 量化输出的原始值；余弦相似度不受缺少单位长度归一化的影响。

​
API 参考

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