> ## Documentation Index
> Fetch the complete documentation index at: https://cndoc-langchain.site/llms.txt
> Use this file to discover all available pages before exploring further.

# PerplexityEmbeddings 集成

> 使用 LangChain Python 集成 Perplexity 的嵌入模型。

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](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings)。

## 概述

### 集成详情

| 类                                                                                                                     | 包                                                                                                        |  本地 | Python 支持 |                                                  包下载量                                                 |                                                包最新版本                                               |
| :-------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------------------- | :-: | :-------: | :---------------------------------------------------------------------------------------------------: | :------------------------------------------------------------------------------------------------: |
| [`PerplexityEmbeddings`](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings) | [`langchain-perplexity`](https://github.com/langchain-ai/langchain/tree/master/libs/partners/perplexity) |  ❌  |     ✅     | ![PyPI - Downloads](https://img.shields.io/pypi/dm/langchain-perplexity?style=flat-square\&label=%20) | ![PyPI - Version](https://img.shields.io/pypi/v/langchain-perplexity?style=flat-square\&label=%20) |

## 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](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：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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](/langsmith/home) API 密钥：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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](https://docs.perplexity.ai/api-reference/embeddings-post)。

## 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](/oss/python/langchain/rag)。

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。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
# 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
```

```text theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
'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：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
single_vector = await embeddings.aembed_query(text)
two_vectors = await embeddings.aembed_documents([text, text2])
```

<Note>
  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。
</Note>

***

## API 参考

有关 `PerplexityEmbeddings` 功能和配置选项的详细文档，请参阅 [API 参考](https://reference.langchain.com/python/langchain-perplexity/embeddings/PerplexityEmbeddings) 和 [Perplexity Embeddings API 文档](https://docs.perplexity.ai/api-reference/embeddings-post)。

***

<div className="source-links">
  <Callout icon="terminal-2">
    [将这些文档](/use-these-docs)通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。
  </Callout>

  <Callout icon="edit">
    [在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/python/integrations/embeddings/perplexity.mdx) 或 [提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。
  </Callout>
</div>