Cohere

Qdrant 兼容 Cohere co.embed API 及其官方 Python SDK，可以像安装其他包一样安装：

pip install cohere

由 co.embed API 返回的嵌入可以直接用于 Qdrant 客户端的调用中：

import cohere
import qdrant_client
from qdrant_client.models import Batch

cohere_client = cohere.Client("<< your_api_key >>")
qdrant_client = qdrant_client.QdrantClient()
qdrant_client.upsert(
    collection_name="MyCollection",
    points=Batch(
        ids=[1],
        vectors=cohere_client.embed(
            model="large",
            texts=["The best vector database"],
        ).embeddings,
    ),
)

如果您有兴趣查看使用co.embed API和Qdrant创建的端到端项目，请查看“使用Cohere和Qdrant的问答服务”文章。

嵌入 v3

Embed v3 是 Cohere 模型的新系列，于 2023 年 11 月发布。新模型需要在 API 调用中传递一个额外的参数：input_type。它决定了您想要使用嵌入的任务类型。

input_type="search_document" - 用于存储在Qdrant中的文档
input_type="search_query" - 用于搜索查询以找到最相关的文档
input_type="classification" - 用于分类任务
input_type="clustering" - 用于文本聚类

在实现语义搜索应用程序时，例如RAG，你应该对索引文档使用input_type="search_document"，对搜索查询使用input_type="search_query"。以下示例展示了如何使用Embed v3模型索引文档：

import cohere
import qdrant_client
from qdrant_client.models import Batch

cohere_client = cohere.Client("<< your_api_key >>")
client = qdrant_client.QdrantClient()
client.upsert(
    collection_name="MyCollection",
    points=Batch(
        ids=[1],
        vectors=cohere_client.embed(
            model="embed-english-v3.0",  # New Embed v3 model
            input_type="search_document",  # Input type for documents
            texts=["Qdrant is the a vector database written in Rust"],
        ).embeddings,
    ),
)

一旦文档被索引，你可以使用Embed v3模型搜索最相关的文档：

client.search(
    collection_name="MyCollection",
    query_vector=cohere_client.embed(
        model="embed-english-v3.0",  # New Embed v3 model
        input_type="search_query",  # Input type for search queries
        texts=["The best vector database"],
    ).embeddings[0],
)

这个页面有用吗？

本页内容：