이 가이드는 LangChain을 사용하여 Netmind embedding model을 시작하는 데 도움을 드립니다. NetmindEmbeddings의 기능 및 구성 옵션에 대한 자세한 문서는 API reference를 참조하세요.

​
Overview

​
Integration details

ProviderPackage
Netmindlangchain-netmind

​
Setup

Netmind embedding model에 액세스하려면 Netmind 계정을 생성하고 API key를 발급받은 후 langchain-netmind integration package를 설치해야 합니다.

​
Credentials

www.netmind.ai/로 이동하여 Netmind에 가입하고 API key를 생성하세요. 완료한 후 NETMIND_API_KEY environment variable을 설정하세요: 
import getpass
import os

if not os.getenv("NETMIND_API_KEY"):
    os.environ["NETMIND_API_KEY"] = getpass.getpass("Enter your Netmind API key: ")
model 호출에 대한 자동 추적을 원하시면 아래 주석을 해제하여 LangSmith API key를 설정할 수도 있습니다: 
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

​
Installation

LangChain Netmind integration은 langchain-netmind package에 있습니다: 
pip install -qU langchain-netmind

[notice] A new release of pip is available: 24.0 -> 25.0.1
[notice] To update, run: pip install -U pip
Note: you may need to restart the kernel to use updated packages.

​
Instantiation

이제 model object를 인스턴스화할 수 있습니다: 
from langchain_netmind import NetmindEmbeddings

embeddings = NetmindEmbeddings(
    model="nvidia/NV-Embed-v2",
)

​
Indexing and Retrieval

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

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

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 LangChain?")

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

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

​
Direct Usage

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

​
Embed single texts

embed_query를 사용하여 단일 텍스트 또는 문서를 embedding할 수 있습니다: 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146

​
Embed multiple texts

embed_documents를 사용하여 여러 텍스트를 embedding할 수 있습니다: 
text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector

[-0.0051240199245512486, -0.01726294495165348, 0.011966848745942116, -0.0018107350915670395, 0.01146
[0.022523142397403717, -0.002223758026957512, -0.008578270673751831, -0.006029821466654539, 0.008752

​
API reference

NetmindEmbeddings의 기능 및 구성 옵션에 대한 자세한 문서는 다음을 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