Skip to main content
WatsonxEmbeddings 是 IBM watsonx.ai 基础模型的封装器。
本示例展示如何使用 LangChain 与 watsonx.ai 模型进行通信。

​
概述

​
集成详情

​
设置

要访问 IBM watsonx.ai 模型，您需要创建一个 IBM watsonx.ai 账户，获取 API 密钥，并安装 langchain-ibm 集成包。

​
凭证

此单元格定义了使用 watsonx Embeddings 所需的 WML 凭证。 操作： 提供 IBM Cloud 用户 API 密钥。详情请参阅 文档。 
import os
from getpass import getpass

watsonx_api_key = getpass()
os.environ["WATSONX_APIKEY"] = watsonx_api_key
此外，您还可以将其他密钥作为环境变量传递。 
import os

os.environ["WATSONX_URL"] = "您的服务实例 URL"
os.environ["WATSONX_TOKEN"] = "用于访问 CLOUD 或 CPD 集群的令牌"
os.environ["WATSONX_PASSWORD"] = "用于访问 CPD 集群的密码"
os.environ["WATSONX_USERNAME"] = "用于访问 CPD 集群的用户名"
os.environ["WATSONX_INSTANCE_ID"] = "用于访问 CPD 集群的实例 ID"

​
安装

LangChain IBM 集成位于 langchain-ibm 包中： 
!pip install -qU langchain-ibm

​
实例化

您可能需要针对不同的模型调整模型 parameters。 
from ibm_watsonx_ai.metanames import EmbedTextParamsMetaNames

embed_params = {
    EmbedTextParamsMetaNames.TRUNCATE_INPUT_TOKENS: 3,
    EmbedTextParamsMetaNames.RETURN_OPTIONS: {"input_text": True},
}
使用先前设置的参数初始化 WatsonxEmbeddings 类。 注意：
  • 为了给 API 调用提供上下文，您必须添加 project_id 或 space_id。更多信息请参阅 文档。
  • 根据您预配的服务实例所在区域，使用相应的 区域特定认证 URL。
在此示例中，我们将使用 project_id 和达拉斯 URL。 您需要指定用于推理的 model_id。 
from langchain_ibm import WatsonxEmbeddings

watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/granite-embedding-107m-multilingual",
    url="https://us-south.ml.cloud.ibm.com",
    project_id="在此处粘贴您的 PROJECT_ID",
    params=embed_params,
)
或者，您可以使用 Cloud Pak for Data 凭证。详情请参阅 文档。 
watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/granite-embedding-107m-multilingual",
    url="在此处粘贴您的 URL",
    username="在此处粘贴您的用户名",
    password="在此处粘贴您的密码",
    instance_id="openshift",
    version="4.8",
    project_id="在此处粘贴您的 PROJECT_ID",
    params=embed_params,
)
对于某些需求，可以选择将 IBM 的 APIClient 对象传递给 WatsonxEmbeddings 类。 
from ibm_watsonx_ai import APIClient

api_client = APIClient(...)

watsonx_embedding = WatsonxEmbeddings(
    model_id="ibm/granite-embedding-107m-multilingual",
    watsonx_client=api_client,
)

​
索引与检索

嵌入模型通常用于检索增强生成（RAG）流程中，既用于索引数据，也用于后续检索。更详细的说明，请参阅我们的 RAG 教程。 下面，我们将使用上面初始化的 embeddings 对象来演示如何索引和检索数据。在此示例中，我们将在 InMemoryVectorStore 中索引和检索一个示例文档。 
# 使用示例文本创建向量存储
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain 是用于构建上下文感知推理应用程序的框架"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=watsonx_embedding,
)

# 将向量存储用作检索器
retriever = vectorstore.as_retriever()

# 检索最相似的文本
retrieved_documents = retriever.invoke("什么是 LangChain？")

# 显示检索到的文档内容
retrieved_documents[0].page_content

'LangChain 是用于构建上下文感知推理应用程序的框架'

​
直接使用

在底层，向量存储和检索器的实现会调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...)，分别为 from_texts 中使用的文本和检索 invoke 操作创建嵌入。 您可以直接调用这些方法来获取嵌入，用于您自己的用例。

​
嵌入单个文本

您可以使用 embed_query 嵌入单个文本或文档： 
text = "这是一个测试文档。"

query_result = watsonx_embedding.embed_query(text)
query_result[:5]

[0.009447193, -0.024981951, -0.026013248, -0.040483937, -0.05780445]

​
嵌入多个文本

您可以使用 embed_documents 嵌入多个文本： 
texts = ["这是文档的内容", "这是另一个文档"]

doc_result = watsonx_embedding.embed_documents(texts)
doc_result[0][:5]

[0.009447167, -0.024981938, -0.02601326, -0.04048393, -0.05780444]

​
API 参考

有关 WatsonxEmbeddings 所有功能和配置的详细文档，请访问 API 参考。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.