Skip to main content
这将帮助您开始使用 LangChain 和 SambaNova 嵌入模型。有关 SambaNovaEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。 SambaNova 的 SambaCloud 是一个用于执行开源模型推理的平台。

​
概述

​
集成详情

提供商包
SambaNovalangchain-sambanova

​
设置

要访问 SambaNovaEmbeddings 模型，您需要创建一个 SambaCloud 账户，获取 API 密钥，并安装 langchain_sambanova 集成包。 
pip install langchain-sambanova

​
凭据

从 cloud.sambanova.ai 获取 API 密钥。完成此操作后，设置 SAMBANOVA_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("SAMBANOVA_API_KEY"):
    os.environ["SAMBANOVA_API_KEY"] = getpass.getpass("Enter your SambaNova API key: ")
要启用模型调用的自动追踪功能，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 SambaNova 集成位于 langchain-sambanova 包中： 
pip install -qU langchain-sambanova

​
实例化

现在我们可以实例化模型对象并生成聊天补全结果： 
from langchain_sambanova import SambaNovaEmbeddings

embeddings = SambaNovaEmbeddings(
    model="E5-Mistral-7B-Instruct",
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，既用于数据索引阶段，也用于后续的检索阶段。如需更详细的说明，请参阅我们的 RAG 教程。 下面介绍如何使用上面初始化的 embeddings 对象来索引和检索数据。在本示例中，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

​
直接使用

底层实现中，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表示。 您可以直接调用这些方法，以便在自己的用例中获取嵌入表示。

​
嵌入单个文本

您可以使用 embed_query 对单个文本或文档进行嵌入处理： 
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 对多个文本进行嵌入处理： 
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

​
API 参考

有关 SambaNovaEmbeddings 功能和配置选项的详细文档，请参阅 SambaNova 开发者指南。
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。