이 노트북은 CLOVA Studio에서 제공하는 embedding model을 시작하는 방법을 다룹니다. ClovaXEmbeddings의 기능 및 구성 옵션에 대한 자세한 문서는 API reference를 참조하세요.

​
Overview

​
Integration details

ProviderPackage
Naverlangchain-naver

​
Setup

CLOVA Studio에서 제공하는 embedding model을 사용하기 전에 아래 세 단계를 거쳐야 합니다.
  1. NAVER Cloud Platform 계정 생성
  2. CLOVA Studio 사용 신청
  3. 사용할 모델의 CLOVA Studio Test App 또는 Service App 생성 (여기 참조)
  4. Test 또는 Service API key 발급 (여기 참조)

​
Credentials

API key로 CLOVASTUDIO_API_KEY 환경 변수를 설정하세요. 
import getpass
import os

if not os.getenv("CLOVASTUDIO_API_KEY"):
    os.environ["CLOVASTUDIO_API_KEY"] = getpass.getpass("Enter CLOVA Studio API Key: ")

​
Installation

ClovaXEmbeddings integration은 langchain_naver 패키지에 포함되어 있습니다: 
# install package
pip install -qU langchain-naver

​
Instantiation

이제 embeddings 객체를 인스턴스화하고 query 또는 document를 embed할 수 있습니다:
  • CLOVA Studio에는 여러 embedding model이 제공됩니다. 자세한 내용은 여기를 참조하세요.
  • 특정 사용 사례에 따라 embedding을 정규화해야 할 수 있습니다.
from langchain_naver import ClovaXEmbeddings

embeddings = ClovaXEmbeddings(
    model="clir-emb-dolphin"  # set with the model name of corresponding test/service app. Default is `clir-emb-dolphin`
)

​
Indexing and Retrieval

Embedding model은 데이터 인덱싱과 이후 검색 모두에서 retrieval-augmented generation (RAG) 플로우에 자주 사용됩니다. 자세한 지침은 RAG tutorials를 참조하세요. 아래에서는 위에서 초기화한 embeddings 객체를 사용하여 데이터를 인덱싱하고 검색하는 방법을 확인할 수 있습니다. 이 예제에서는 InMemoryVectorStore에서 샘플 document를 인덱싱하고 검색합니다. 
# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "CLOVA Studio is an AI development tool that allows you to customize your own HyperCLOVA X models."

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 CLOVA Studio?")

# show the retrieved document's content
retrieved_documents[0].page_content

'CLOVA Studio is an AI development tool that allows you to customize your own HyperCLOVA X models.'

​
Direct Usage

내부적으로 vectorstore와 retriever 구현은 embeddings.embed_documents(...)와 embeddings.embed_query(...)를 호출하여 각각 from_texts와 retrieval invoke 작업에 사용되는 텍스트에 대한 embedding을 생성합니다. 이러한 메서드를 직접 호출하여 자신의 사용 사례에 맞는 embedding을 얻을 수 있습니다.

​
Embed single texts

embed_query로 단일 텍스트 또는 document를 embed할 수 있습니다: 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[-0.094717406, -0.4077411, -0.5513184, 1.6024436, -1.3235079, -1.0720996, -0.44471845, 1.3665184, 0.

​
Embed multiple texts

embed_documents로 여러 텍스트를 embed할 수 있습니다: 
text2 = "LangChain is a framework for building context-aware reasoning applications"
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector

[-0.094717406, -0.4077411, -0.5513184, 1.6024436, -1.3235079, -1.0720996, -0.44471845, 1.3665184, 0.
[-0.25525448, -0.84877056, -0.6928286, 1.5867524, -1.2930486, -0.8166254, -0.17934391, 1.4236152, 0.

​
API reference

ClovaXEmbeddings의 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