Skip to main content
本教程介绍如何开始使用 CLOVA Studio 提供的嵌入模型。有关 ClovaXEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。

​
概览

​
集成详情

提供商包
Naverlangchain-naver

​
设置

在使用 CLOVA Studio 提供的嵌入模型之前，您必须完成以下三个步骤。
  1. 创建 NAVER Cloud Platform 账户
  2. 申请使用 CLOVA Studio
  3. 创建要使用模型的 CLOVA Studio 测试应用或服务应用（参见此处）
  4. 申请测试或服务 API 密钥（参见此处）

​
凭证

使用您的 API 密钥设置 CLOVASTUDIO_API_KEY 环境变量。 
import getpass
import os

if not os.getenv("CLOVASTUDIO_API_KEY"):
    os.environ["CLOVASTUDIO_API_KEY"] = getpass.getpass("Enter CLOVA Studio API Key: ")

​
安装

ClovaXEmbeddings 集成位于 langchain_naver 包中： 
# install package
pip install -qU langchain-naver

​
实例化

现在我们可以实例化嵌入对象，并对查询或文档进行嵌入：
  • CLOVA Studio 中有多个可用的嵌入模型。请参阅此处了解更多详情。
  • 请注意，根据您的具体使用场景，您可能需要对嵌入向量进行归一化处理。
from langchain_naver import ClovaXEmbeddings

embeddings = ClovaXEmbeddings(
    model="clir-emb-dolphin"  # set with the model name of corresponding test/service app. Default is `clir-emb-dolphin`
)

​
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，也用于后续检索。有关更详细的说明，请参阅我们的 RAG 教程。 下面展示如何使用上面初始化的 embeddings 对象进行数据索引和检索。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 = "CLOVA Studio is an AI development tool that allows you to customize your own HyperCLOVA X models."

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 CLOVA Studio?")

# show the retrieved document's content
retrieved_documents[0].page_content

'CLOVA Studio is an AI development tool that allows you to customize your own HyperCLOVA X models.'

​
直接使用

在底层实现中，向量存储和检索器分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 来为 from_texts 和检索 invoke 操作中使用的文本创建嵌入向量。 您可以直接调用这些方法，以满足您自己的使用场景需求。

​
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

[-0.094717406, -0.4077411, -0.5513184, 1.6024436, -1.3235079, -1.0720996, -0.44471845, 1.3665184, 0.

​
嵌入多个文本

您可以使用 embed_documents 嵌入多个文本： 
text2 = "LangChain is a framework for building context-aware reasoning applications"
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector

[-0.094717406, -0.4077411, -0.5513184, 1.6024436, -1.3235079, -1.0720996, -0.44471845, 1.3665184, 0.
[-0.25525448, -0.84877056, -0.6928286, 1.5867524, -1.2930486, -0.8166254, -0.17934391, 1.4236152, 0.

​
API 参考

有关 ClovaXEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.