PremAI 嵌入

PremAI 是一个一体化平台，可简化由生成式人工智能驱动的强大、生产就绪应用程序的创建过程。通过简化开发流程，PremAI 让您能够专注于提升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，我们将讨论如何通过PremEmbeddings与llama-index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。您可以通过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项目。如果尚未完成，请参阅快速入门指南开始使用PremAI平台。创建您的第一个项目并获取API密钥。

%pip install llama-index-llms-premai

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 是 8。但请确保使用您自己的项目ID，否则会抛出错误。

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

我们支持众多先进的嵌入模型。您可以在此处查看我们支持的LLM和嵌入模型列表。在本示例中，我们暂时选用text-embedding-3-large模型。

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

现在您已全部设置完毕。让我们开始使用我们的嵌入模型，先进行单个查询，然后进行多个查询（这也被称为文档）

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

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

Dimension of embeddings: 3072

query_result[:5]

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