Skip to main content
这将帮助您使用 LangChain 快速上手 Together 嵌入模型。有关 TogetherEmbeddings 功能与配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

​
环境配置

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

​
凭据

前往 https://api.together.xyz/ 注册 Together 并生成 API 密钥。完成此操作后，设置 TOGETHER_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("TOGETHER_API_KEY"):
    os.environ["TOGETHER_API_KEY"] = getpass.getpass("Enter your Together API key: ")
要为您的模型调用启用自动追踪，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 Together 集成位于 langchain-together 包中： 
pip install -qU langchain-together

​
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_together import TogetherEmbeddings

embeddings = TogetherEmbeddings(
    model="togethercomputer/m2-bert-80M-8k-retrieval",
)

​
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述初始化的 embeddings 对象来索引和检索数据。在本示例中，我们将在 InMemoryVectorStore 中索引并检索一个示例文档。 
# 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'

​
直接调用

底层机制中，向量存储和检索器实现分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，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 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

[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011,

​
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

[0.3812227, -0.052848946, -0.10564975, 0.03480297, 0.2878488, 0.0084609175, 0.11605915, 0.05303011,
[0.066308185, -0.032866564, 0.115751594, 0.19082588, 0.14017, -0.26976448, -0.056340694, -0.26923394

​
API 参考

有关 TogetherEmbeddings 功能与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。