이 가이드는 LangChain을 사용하여 AI/ML API embedding 모델을 시작하는 데 도움을 줍니다. AimlapiEmbeddings의 기능 및 구성 옵션에 대한 자세한 문서는 API reference를 참조하세요.

​
Overview

​
Integration details

ClassPackageLocalJS supportDownloadsVersion
AimlapiEmbeddingslangchain-aimlapi❌❌PyPI - DownloadsPyPI - Version

​
Setup

AI/ML API embedding 모델에 액세스하려면 계정을 생성하고 API key를 받은 다음 langchain-aimlapi integration package를 설치해야 합니다.

​
Credentials

aimlapi.com으로 이동하여 가입하고 API key를 생성하세요. 완료한 후 AIMLAPI_API_KEY environment variable을 설정하세요: 
import getpass
import os

if not os.getenv("AIMLAPI_API_KEY"):
    os.environ["AIMLAPI_API_KEY"] = getpass.getpass("Enter your AI/ML API key: ")
모델 호출의 자동 추적을 활성화하려면 LangSmith API key를 설정하세요: 
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

​
Installation

LangChain AI/ML API integration은 langchain-aimlapi package에 있습니다: 
pip install -qU langchain-aimlapi

​
Instantiation

이제 embedding 모델을 인스턴스화하고 embedding 작업을 수행할 수 있습니다: 
from langchain_aimlapi import AimlapiEmbeddings

embeddings = AimlapiEmbeddings(
    model="text-embedding-ada-002",
)

​
Indexing and Retrieval

Embedding 모델은 retrieval-augmented generation (RAG) 플로우에서 자주 사용됩니다. 아래는 위에서 초기화한 embeddings 객체를 사용하여 InMemoryVectorStore로 데이터를 인덱싱하고 검색하는 방법입니다. 
from langchain_core.vectorstores import InMemoryVectorStore

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

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

retriever = vectorstore.as_retriever()

retrieved_documents = retriever.invoke("What is LangChain?")
retrieved_documents[0].page_content

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

​
Direct usage

사용자 정의 embedding 시나리오를 위해 embed_query와 embed_documents를 직접 호출할 수 있습니다.

​
Embed single text

single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])

​
Embed multiple texts

text2 = "LangGraph is a library for building stateful, multi-actor applications with LLMs"

vectors = embeddings.embed_documents([text, text2])
for vector in vectors:
    print(str(vector)[:100])

​
API reference

AimlapiEmbeddings의 기능 및 구성 옵션에 대한 자세한 문서는 API reference를 참조하세요.
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I