Skip to main content
GreenNode 是一家全球 AI 解决方案提供商，也是 NVIDIA 首选合作伙伴，为美国、中东北非和亚太地区的企业提供从基础设施到应用的全栈 AI 能力。GreenNode 运营于世界一流的基础设施（LEED 金级、TIA‑942、Uptime Tier III），为企业、初创公司和研究人员提供全面的 AI 服务套件。
本指南介绍如何开始使用 GreenNodeEmbeddings。它通过生成高质量的文本向量表示，使您能够使用各种内置连接器或您自己的自定义数据源执行语义文档搜索。

​
概述

​
集成详情

提供商包
GreenNodelangchain-greennode

​
设置

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

​
凭证

GreenNode 需要 API 密钥进行身份验证，可以在初始化时作为 api_key 参数提供，或设置为环境变量 GREENNODE_API_KEY。您可以通过在 GreenNode Serverless AI 注册账户来获取 API 密钥。 
import getpass
import os

if not os.getenv("GREENNODE_API_KEY"):
    os.environ["GREENNODE_API_KEY"] = getpass.getpass("Enter your GreenNode API key: ")
如果您想获取模型调用的自动追踪，也可以取消注释以下内容来设置您的 LangSmith API 密钥： 
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

​
安装

LangChain GreenNode 集成位于 langchain-greennode 包中： 
pip install -qU langchain-greennode

​
实例化

GreenNodeEmbeddings 类可以使用可选的 API 密钥和模型名称参数进行实例化： 
from langchain_greennode import GreenNodeEmbeddings

# Initialize the embeddings model
embeddings = GreenNodeEmbeddings(
    # api_key="YOUR_API_KEY",  # You can pass the API key directly
    model="BAAI/bge-m3"  # The default embedding model
)

​
索引与检索

嵌入模型在检索增强生成（RAG）工作流中发挥关键作用，既支持内容索引，也支持高效检索。 以下展示了如何使用上面初始化的 embeddings 对象进行索引和检索。在此示例中，我们将在 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

GreenNodeEmbeddings 类可以独立使用来生成文本嵌入，无需向量存储。这对于相似度评分、聚类或自定义处理流水线等任务非常有用。

​
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])  # Show the first 100 characters of the vector

[-0.01104736328125, -0.0281982421875, 0.0035858154296875, -0.0311279296875, -0.0106201171875, -0.039

​
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])  # Show the first 100 characters of the vector

[-0.01104736328125, -0.0281982421875, 0.0035858154296875, -0.0311279296875, -0.0106201171875, -0.039
[-0.07177734375, -0.00017452239990234375, -0.002044677734375, -0.0299072265625, -0.0184326171875, -0

​
异步支持

GreenNodeEmbeddings 支持异步操作： 
import asyncio


async def generate_embeddings_async():
    # Embed a single query
    query_result = await embeddings.aembed_query("What is the capital of France?")
    print(f"Async query embedding dimension: {len(query_result)}")

    # Embed multiple documents
    docs = [
        "Paris is the capital of France",
        "Berlin is the capital of Germany",
        "Rome is the capital of Italy",
    ]
    docs_result = await embeddings.aembed_documents(docs)
    print(f"Async document embeddings count: {len(docs_result)}")


await generate_embeddings_async()

Async query embedding dimension: 1024
Async document embeddings count: 3

​
文档相似度示例

import numpy as np
from scipy.spatial.distance import cosine

# Create some documents
documents = [
    "Machine learning algorithms build mathematical models based on sample data",
    "Deep learning uses neural networks with many layers",
    "Climate change is a major global environmental challenge",
    "Neural networks are inspired by the human brain's structure",
]

# Embed the documents
embeddings_list = embeddings.embed_documents(documents)


# Function to calculate similarity
def calculate_similarity(embedding1, embedding2):
    return 1 - cosine(embedding1, embedding2)


# Print similarity matrix
print("Document Similarity Matrix:")
for i, emb_i in enumerate(embeddings_list):
    similarities = []
    for j, emb_j in enumerate(embeddings_list):
        similarity = calculate_similarity(emb_i, emb_j)
        similarities.append(f"{similarity:.4f}")
    print(f"Document {i + 1}: {similarities}")

Document Similarity Matrix:
Document 1: ['1.0000', '0.6005', '0.3542', '0.5788']
Document 2: ['0.6005', '1.0000', '0.4154', '0.6170']
Document 3: ['0.3542', '0.4154', '1.0000', '0.3528']
Document 4: ['0.5788', '0.6170', '0.3528', '1.0000']

​
API 参考

有关 GreenNode Serverless AI API 的更多详情，请访问 GreenNode Serverless AI 文档。
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。