跳到主要内容
PremAI 是一个一体化平台，可简化由生成式 AI 驱动的强大、生产就绪型应用程序的创建。通过简化开发流程，PremAI 允许您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。

​
安装与设置

我们首先安装 langchain 和 premai-sdk。您可以键入以下命令进行安装 
pip install premai langchain
在继续之前，请确保您已在 PremAI 上注册帐户并已创建一个项目。如果没有，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。

​
PremEmbeddings

在本节中，我们将讨论如何使用 LangChain 中的 PremEmbeddings 访问不同的嵌入模型。让我们从导入模块并设置 API 密钥开始。 
# Let's start by doing some imports and define our embedding object

from langchain_community.embeddings import PremAIEmbeddings
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，否则会抛出错误。
注意：与 ChatPremAI 不同，PremAIEmbeddings 强制要求设置 model_name 参数。 
import getpass
import os

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

model = "text-embedding-3-large"
embedder = PremAIEmbeddings(project_id=8, model=model)
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。 
query = "Hello, this is a test query"
query_result = embedder.embed_query(query)

# Let's print the first five elements of the query embedding vector

print(query_result[:5])

[-0.02129288576543331, 0.0008162345038726926, -0.004556538071483374, 0.02918623760342598, -0.02547479420900345]
最后，让我们嵌入一个文档 
documents = ["This is document1", "This is document2", "This is document3"]

doc_result = embedder.embed_documents(documents)

# Similar to previous result, let's print the first five element
# of the first document vector

print(doc_result[0][:5])

[-0.0030691148713231087, -0.045334383845329285, -0.0161729846149683, 0.04348714277148247, -0.0036920777056366205]
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.