Skip to main content
PremAI 是一个一站式平台，简化了由生成式 AI 驱动的健壮、生产就绪应用程序的创建。通过简化开发流程，PremAI 让您可以专注于提升用户体验并推动应用程序的整体增长。您可以在此快速开始使用我们的平台。

​
安装与设置

我们首先安装 langchain 和 premai-sdk。您可以输入以下命令进行安装： 
pip install premai langchain
在继续之前，请确保您已在 PremAI 上创建了帐户并已创建了项目。如果没有，请参阅快速入门指南开始使用 PremAI 平台。创建您的第一个项目并获取您的 API 密钥。

​
PremEmbeddings

在本节中，我们将讨论如何使用 PremEmbeddings 与 LangChain 访问不同的嵌入模型。让我们从导入模块并设置 API 密钥开始。 
# Let's start by doing some imports and define our embedding object

from langchain_community.embeddings import PremAIEmbeddings
导入所需模块后，让我们设置客户端。现在假设我们的 project_id 是 8。但请确保使用您的项目 ID，否则会出错。
注意：与 ChatPremAI 不同，在 PremAIEmbeddings 中设置 model_name 参数是必需的。 
import getpass
import os

if os.environ.get("PREMAI_API_KEY") is None:
    os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:")

model = "text-embedding-3-large"
embedder = PremAIEmbeddings(project_id=8, model=model)
我们支持大量最先进的嵌入模型。您可以在此查看我们支持的 LLM 和嵌入模型列表。本示例我们使用 text-embedding-3-large 模型。 
query = "Hello, this is a test query"
query_result = embedder.embed_query(query)

# Let's print the first five elements of the query embedding vector

print(query_result[:5])

[-0.02129288576543331, 0.0008162345038726926, -0.004556538071483374, 0.02918623760342598, -0.02547479420900345]
最后让我们嵌入一个文档： 
documents = ["This is document1", "This is document2", "This is document3"]

doc_result = embedder.embed_documents(documents)

# Similar to previous result, let's print the first five element
# of the first document vector

print(doc_result[0][:5])

[-0.0030691148713231087, -0.045334383845329285, -0.0161729846149683, 0.04348714277148247, -0.0036920777056366205]
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.