探索LangChain和Eden AI：实现强大的文本嵌入

最新推荐文章于 2025-11-26 15:49:07 发布

原创最新推荐文章于 2025-11-26 15:49:07 发布 · 375 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #人工智能 #python

引言

随着人工智能的快速发展，越来越多的开发者需要使用自然语言处理（NLP）技术来分析和理解文本数据。在这方面，Eden AI通过整合多种AI提供商的服务，为用户提供了一个强大且易用的平台。本文将向您展示如何使用LangChain与Eden AI一起实现文本嵌入及其应用。我们将深入探讨如何调用Eden AI嵌入模型，并解决在使用过程中可能遇到的一些问题。

主要内容

1. Eden AI和LangChain简介

Eden AI提供了一个统一的平台，允许用户通过单一API访问各种AI模型。LangChain是一个强大的工具，用于简化与不同模型的交互，使得开发者可以更容易地集成NLP功能。

2. 准备工作

在使用Eden AI提供的文本嵌入模型之前，您需要注册一个账号并获取API密钥。获取密钥后，您可以将其作为环境变量设置，或直接在代码中使用：

export EDENAI_API_KEY="your_api_key_here"

3. 使用LangChain与Eden AI进行文本嵌入

首先，我们需要导入EdenAiEmbeddings类，并使用您的API密钥和提供商来初始化它。

from langchain_community.embeddings.edenai import EdenAiEmbeddings

# 使用API代理服务提高访问稳定性
embeddings = EdenAiEmbeddings(edenai_api_key="your_api_key", provider="openai")

docs = ["It's raining right now", "cats are cute"]
document_result = embeddings.embed_documents(docs)

query = "my umbrella is broken"
query_result = embeddings.embed_query(query)

4. 计算文本相似度

使用嵌入结果，我们可以计算查询与文档之间的余弦相似度：

import numpy as np

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}')

输出结果：

Cosine similarity between "It's raining right now" and query: 0.849261496107252
Cosine similarity between "cats are cute" and query: 0.7525900655705218