Skip to main content
本文将帮助您开始使用 LangChain 的 Netmind 嵌入模型。有关 NetmindEmbeddings 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
Netmindlangchain-netmind

​
设置

要访问 Netmind 嵌入模型，您需要创建 Netmind 账户、获取 API 密钥，并安装 langchain-netmind 集成包。

​
凭证

前往 www.netmind.ai/ 注册 Netmind 并生成 API 密钥。完成后设置 NETMIND_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("NETMIND_API_KEY"):
    os.environ["NETMIND_API_KEY"] = getpass.getpass("Enter your Netmind API key: ")
如果您希望自动追踪模型调用，也可以通过取消下方注释来设置您的 LangSmith API 密钥： 
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

​
安装

LangChain Netmind 集成位于 langchain-netmind 包中： 
pip install -qU langchain-netmind

​
实例化

现在我们可以实例化模型对象： 
from langchain_netmind import NetmindEmbeddings

embeddings = NetmindEmbeddings(
    model="nvidia/NV-Embed-v2",
)

​
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 = "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

[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146

​
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

[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146
[0.022523142397403717, -0.002223758026957512, -0.008578270673751831, -0.006029821466654539, 0.008752

​
API 参考

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