PremAI 嵌入¶

PremAI 是一个一体化平台，可简化构建强大、生产就绪的生成式 AI 驱动应用程序的过程。通过简化开发流程，PremAI 使您能够专注于增强用户体验并推动应用程序的整体增长。您可以在此处快速开始使用我们的平台。

在本节中，我们将讨论如何使用 PremEmbeddings 和 llama-index 来访问不同的嵌入模型

安装与设置¶

我们首先安装 llama-index 和 premai-sdk。您可以输入以下命令进行安装

pip install premai llama-index

在继续之前，请确保您已在 PremAI 上创建账户并已创建一个项目。如果尚未，请参阅快速入门指南以开始使用 PremAI 平台。创建您的第一个项目并获取您的 API 密钥。

输入 [ ]

%pip install llama-index-llms-premai

%pip install llama-index-llms-premai

输入 [ ]

from llama_index.embeddings.premai import PremAIEmbeddings

from llama_index.embeddings.premai import PremAIEmbeddings

在 LlamaIndex 中设置 PremAIEmbeddings 实例¶

导入所需模块后，让我们设置客户端。目前我们假设 project_id 为 8。但请确保使用您自己的项目 ID，否则会报错。

为了将 llama-index 与 PremAI 结合使用，您无需传递任何模型名称或使用我们的聊天客户端设置任何参数。默认情况下，它将使用LaunchPad中使用的模型名称和参数。

我们支持许多最先进的嵌入模型。您可以在此处查看我们支持的 LLM 和嵌入模型列表。现在，让我们以 text-embedding-3-large 模型为例。

输入 [ ]

import os
import getpass

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

prem_embedding = PremAIEmbeddings(
    project_id=8, model_name="text-embedding-3-large"
)

import os import getpass if os.environ.get("PREMAI_API_KEY") is None: os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:") prem_embedding = PremAIEmbeddings( project_id=8, model_name="text-embedding-3-large" )

调用嵌入模型¶

现在一切就绪。现在让我们开始使用我们的嵌入模型，首先是一个单独的查询，然后是多个查询（也称为文档）

输入 [ ]

query = "Hello, this is a test query"
query_result = prem_embedding.get_text_embedding(query)

query = "Hello, this is a test query" query_result = prem_embedding.get_text_embedding(query)

输入 [ ]

print(f"Dimension of embeddings: {len(query_result)}")

print(f"Dimension of embeddings: {len(query_result)}")

Dimension of embeddings: 3072

输入 [ ]

query_result[:5]

query_result[:5]

输出 [ ]

[-0.02129288576543331,
 0.0008162345038726926,
 -0.004556538071483374,
 0.02918623760342598,
 -0.02547479420900345]