跳到主要内容
这将帮助您开始使用 LangChain 的 Baseten 嵌入模型。有关 BasetenEmbeddings 功能和配置选项的详细文档，请参阅API 参考。

​
概览

Baseten 提供专为生产应用程序设计的推理。这些 API 基于 Baseten 推理栈构建，为领先的开源或自定义模型提供企业级性能和可靠性：https://www.baseten.co/library/。

​
集成详情

​
设置

要访问 Baseten 嵌入模型，您需要创建一个 Baseten 账户，获取 API 密钥，并安装 langchain-baseten 集成包。 Baseten 嵌入模型仅作为专用模型提供。在使用此集成之前，您必须从Baseten 模型库部署一个嵌入模型。 嵌入功能使用 Baseten 的性能客户端以优化性能，该客户端已作为依赖项自动包含。

​
凭据

前往https://app.baseten.co注册 Baseten 并生成 API 密钥。完成此操作后，设置 BASETEN_API_KEY 环境变量 
import getpass
import os

if not os.getenv("BASETEN_API_KEY"):
    os.environ["BASETEN_API_KEY"] = getpass.getpass("Enter your Baseten API key: ")
要启用模型调用的自动化跟踪，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 Baseten 集成位于 langchain-baseten 包中 
pip install -qU langchain-baseten

​
实例化

现在我们可以使用您已部署模型的 URL 实例化我们的嵌入对象 
from langchain_baseten import BasetenEmbeddings

embeddings = BasetenEmbeddings(
    model_url="https://model-<id>.api.baseten.co/environments/production/sync",  # Your model URL
    api_key="your-api-key",  # Or set BASETEN_API_KEY env var
)

​
索引和检索

嵌入模型通常用于检索增强生成 (RAG) 流程，既作为数据索引的一部分，也用于后续检索数据。有关更详细的说明，请参阅我们的RAG 教程。 下面，我们将演示如何使用我们上面初始化的 embeddings 对象来索引和检索数据。在此示例中，我们将在 InMemoryVectorStore 中索引和检索一个示例文档。
# 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

'LangChain is the framework for building context-aware reasoning applications'

​
直接使用

在底层，向量存储和检索器实现正在调用 embeddings.embed_documents(...) 和 embeddings.embed_query(...) 分别为 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来为自己的用例获取嵌入。

​
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

[0.013201533816754818, 0.02222288027405739, -0.036066457629203796, 0.027374643832445145, -0.01692997

​
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

[0.013201533816754818, 0.02222288027405739, -0.036066457629203796, 0.027374643832445145, -0.01692997
[0.018247194588184357, 0.007369577884674072, -0.005529594141989946, 0.022589316591620445, -0.0699259

​
API 参考

有关 BasetenEmbeddings 功能和配置选项的详细文档，请参阅API 参考。
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.