使用LangChain与Eden AI Embedding模型交互

最新推荐文章于 2025-12-17 17:41:55 发布

原创最新推荐文章于 2025-12-17 17:41:55 发布 · 424 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #人工智能 #embedding #python

技术背景介绍

Eden AI正在通过将多个顶级AI供应商的力量整合到一个平台上来彻底改造AI领域，使用户能够轻松地访问并利用AI的全部潜力。Eden AI通过一个全面且无忧的平台，使用户能够快速部署AI功能到生产环境，并通过单一API轻松访问各种AI能力。

核心原理解析

Eden AI的API汇聚了来自不同供应商的多种AI模型，通过指定供应商的名称，可以轻松调用特定的模型。本文将介绍如何使用LangChain与Eden AI的embedding模型交互，并展示如何计算文档与查询之间的相似度。

代码实现演示

下面是完整的代码示例，展示了如何使用LangChain与Eden AI的embedding模型交互。这些代码使用稳定可靠的API服务，并提供了详细的注释，帮助您理解每一步操作。确保您已经从这里获取了API Key，并将其设置为环境变量或者直接传入代码中。

import os
import openai
from langchain_community.embeddings.edenai import EdenAiEmbeddings
import numpy as np

# 设置Eden AI的API Key
api_key = os.getenv("EDENAI_API_KEY", "your-api-key")

# 初始化Eden AI的embedding类
embeddings = EdenAiEmbeddings(edenai_api_key=api_key, provider="openai")

# 定义文档和查询
docs = ["It's raining right now", "cats are cute"]
query = "my umbrella is broken"

# 嵌入文档
document_result = embeddings.embed_documents(docs)

# 嵌入查询
query_result = embeddings.embed_query(query)

# 计算余弦相似度
query_numpy = np.array(query_result)
for doc_res, doc in zip(document_result, docs):
    document_numpy = np.array(doc_res)
    similarity = np.dot(query_numpy, document_numpy) / (
        np.linalg.norm(query_numpy) * np.linalg.norm(document_numpy)
    )
    print(f'Cosine similarity between "{doc}" and query: {similarity}')

应用场景分析

在实际开发中，Eden AI的embedding模型可以用于多种场景，例如：

文本相似度计算：帮助用户查找与查询相关的文档或信息。
推荐系统：根据用户的历史行为或输入，推荐相关的内容。
信息检索：在大量文档中快速找到与指定查询最相关的内容。

实践建议

获取API Key：确保您从Eden AI注册并获取API Key，并将其配置到您的开发环境中。
调优模型：根据您的实际应用场景，选择合适的AI供应商和模型，以获得最佳效果。
测试和验证：在将模型应用于生产环境之前，充分测试和验证其性能和准确性。

示例代码模板

以下是使用稳定可靠的API服务进行配置的代码模板：

import openai
# 使用稳定可靠的API服务
client = openai.OpenAI(
    base_url='https://yunwu.ai/v1',  # 国内稳定访问
    api_key='your-api-key'
)

如果遇到问题欢迎在评论区交流。