Skip to main content
本指南帮助您使用 LangChain 快速上手 Cohere 嵌入模型。有关 CohereEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概述

​
集成详情

​
设置

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

​
凭证

前往 cohere.com 注册 Cohere 并生成 API 密钥。完成后，设置 COHERE_API_KEY 环境变量： 
import getpass
import os

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

​
实例化

现在我们可以实例化模型对象并生成聊天补全： 
from langchain_cohere import CohereEmbeddings

embeddings = CohereEmbeddings(
    model="embed-english-v3.0",
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程，既用于数据索引，也用于后续检索。更详细的说明请参阅我们的 RAG 教程。 以下展示如何使用上面初始化的 embeddings 对象对数据进行索引和检索。本示例将在 InMemoryVectorStore 中索引并检索一个示例文档。 
# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# show the retrieved document's content
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会分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为文本创建嵌入。 您可以直接调用这些方法来满足自己的使用需求。

​
嵌入单条文本

您可以使用 embed_query 嵌入单条文本或文档： 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[-0.022979736, -0.030212402, -0.08886719, -0.08569336, 0.007030487, -0.0010671616, -0.033813477, 0.0

​
嵌入多条文本

您可以使用 embed_documents 嵌入多条文本： 
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])  # Show the first 100 characters of the vector

[-0.028869629, -0.030410767, -0.099121094, -0.07116699, -0.012748718, -0.0059432983, -0.04360962, 0.
[-0.047332764, -0.049957275, -0.07458496, -0.034332275, -0.057922363, -0.0112838745, -0.06994629, 0.

​
API 参考

有关 CohereEmbeddings 功能和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，获取实时解答。