Skip to main content
所有与 Nebius Token Factory 相关的功能
Nebius Token Factory 提供 API 访问，可使用各种用例的最先进大型语言模型和嵌入模型。

​
安装与设置

Nebius 集成可通过 pip 安装： 
pip install langchain-nebius
要使用 Nebius Token Factory，您需要一个 API 密钥，可以从 Nebius Token Factory 获取。API 密钥可以作为初始化参数 api_key 传递，或设置为环境变量 NEBIUS_API_KEY。 
import os
os.environ["NEBIUS_API_KEY"] = "YOUR-NEBIUS-API-KEY"

​
可用模型

支持的完整模型列表可在 Nebius Token Factory 模型页面 找到。

​
聊天模型

​
ChatNebius

ChatNebius 类允许您与 Nebius Token Factory 的聊天模型进行交互。 参见 使用示例。 
from langchain_nebius import ChatNebius

# 初始化聊天模型
chat = ChatNebius(
    model="moonshotai/Kimi-K2.5",  # 从可用模型中选择
    temperature=0.6,
    top_p=0.95
)

​
嵌入模型

​
NebiusEmbeddings

NebiusEmbeddings 类允许您使用 Nebius Token Factory 的嵌入模型生成向量嵌入。 参见 使用示例。 
from langchain_nebius import NebiusEmbeddings

# 初始化嵌入
embeddings = NebiusEmbeddings(
    model="Qwen/Qwen3-Embedding-8B"  # 默认嵌入模型
)

​
检索器

​
NebiusRetriever

NebiusRetriever 使用来自 Nebius Token Factory 的嵌入实现高效的相似性搜索。它利用高质量的嵌入模型实现文档的语义搜索。 参见 使用示例。 
from langchain_core.documents import Document
from langchain_nebius import NebiusEmbeddings, NebiusRetriever

# 创建示例文档
docs = [
    Document(page_content="Paris is the capital of France"),
    Document(page_content="Berlin is the capital of Germany"),
]

# 初始化嵌入
embeddings = NebiusEmbeddings()

# 创建检索器
retriever = NebiusRetriever(
    embeddings=embeddings,
    docs=docs,
    k=2  # 返回的文档数量
)

​
工具

​
NebiusRetrievalTool

NebiusRetrievalTool 允许您基于 NebiusRetriever 为代理创建工具。 
from langchain_nebius import NebiusEmbeddings, NebiusRetriever, NebiusRetrievalTool
from langchain_core.documents import Document

# 创建示例文档
docs = [
    Document(page_content="Paris is the capital of France and has the Eiffel Tower"),
    Document(page_content="Berlin is the capital of Germany and has the Brandenburg Gate"),
]

# 创建嵌入和检索器
embeddings = NebiusEmbeddings()
retriever = NebiusRetriever(embeddings=embeddings, docs=docs)

# 创建检索工具
tool = NebiusRetrievalTool(
    retriever=retriever,
    name="nebius_search",
    description="Search for information about European capitals"
)
连接这些文档 到 Claude、VSCode 等，通过 MCP 获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。