Skip to main content
Gradient 允许通过简单的 Web API 创建 Embeddings，以及微调 LLM 并获取补全结果。 本 notebook 介绍如何将 LangChain 与 Gradient 的嵌入结合使用。

​
导入

from langchain_community.embeddings import GradientEmbeddings

​
设置环境 API 密钥

确保从 Gradient AI 获取您的 API 密钥。您将获得 $10 的免费额度，用于测试和微调不同模型。 
import os
from getpass import getpass

if not os.environ.get("GRADIENT_ACCESS_TOKEN", None):
    # Access token under https://auth.gradient.ai/select-workspace
    os.environ["GRADIENT_ACCESS_TOKEN"] = getpass("gradient.ai access token:")
if not os.environ.get("GRADIENT_WORKSPACE_ID", None):
    # `ID` listed in `$ gradient workspace list`
    # also displayed after login at at https://auth.gradient.ai/select-workspace
    os.environ["GRADIENT_WORKSPACE_ID"] = getpass("gradient.ai workspace id:")
可选：使用 gradientai Python 包验证您的环境变量 GRADIENT_ACCESS_TOKEN 和 GRADIENT_WORKSPACE_ID 以获取当前部署的模型。 
pip install -qU  gradientai

​
创建 gradient 实例

documents = [
    "Pizza is a dish.",
    "Paris is the capital of France",
    "numpy is a lib for linear algebra",
]
query = "Where is Paris?"

embeddings = GradientEmbeddings(model="bge-large")

documents_embedded = embeddings.embed_documents(documents)
query_result = embeddings.embed_query(query)

# (demo) compute similarity
import numpy as np

scores = np.array(documents_embedded) @ np.array(query_result).T
dict(zip(documents, scores))
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。