Skip to main content
这将帮助您使用 LangChain 开始使用 SambaNova 嵌入模型。有关 SambaNovaEmbeddings 功能和配置选项的详细文档，请参阅 API 参考。 SambaNova 的 SambaCloud 是一个用于执行开源模型推理的平台

​
概述

​
集成详情

提供商包
SambaNovalangchain-sambanova

​
设置

要访问 SambaNovaEmbeddings 模型，您需要创建一个 SambaCloud 账户，获取 API 密钥，并安装 langchain_sambanova 集成包。 
pip install langchain-sambanova

​
凭据

从 cloud.sambanova.ai 获取 API 密钥。完成此操作后，请设置 SAMBANOVA_API_KEY 环境变量： 
import getpass
import os

if not os.getenv("SAMBANOVA_API_KEY"):
    os.environ["SAMBANOVA_API_KEY"] = getpass.getpass("Enter your SambaNova API key: ")
要启用模型调用的自动追踪，请设置您的 LangSmith API 密钥： 
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

​
安装

LangChain SambaNova 集成位于 langchain-sambanova 包中： 
pip install -qU langchain-sambanova

​
实例化

现在我们可以实例化我们的模型对象并生成聊天补全： 
from langchain_sambanova import SambaNovaEmbeddings

embeddings = SambaNovaEmbeddings(
    model="E5-Mistral-7B-Instruct",
)

​
索引和检索

嵌入模型通常用于检索增强生成 (RAG) 流程中，既作为数据索引的一部分，也用于后续检索。更详细的说明，请参阅我们的 RAG 教程。 下面，查看如何使用上面初始化的 embeddings 对象来索引和检索数据。在本示例中，我们将在 InMemoryVectorStore 中索引和检索一个示例文档。 
# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

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

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# show the retrieved document's content
retrieved_documents[0].page_content

​
直接用法

在底层，向量存储和检索器实现分别调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 为 from_texts 和检索 invoke 操作中使用的文本创建嵌入。 您可以直接调用这些方法以获取您自己用例的嵌入。

​
嵌入单个文本

您可以使用 embed_query 嵌入单个文本或文档： 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

​
嵌入多个文本

您可以使用 embed_documents 嵌入多个文本： 
text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector

​
API 参考

有关 SambaNovaEmbeddings 功能和配置选项的详细文档，请参阅 SambaNova 开发者指南。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.