跳到主要内容

OVHcloud AI Endpoints

项目设置​

Maven 依赖​

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-ovh-ai</artifactId>
    <version>1.13.0-beta23</version>
</dependency>

API 密钥配置​

将 OVHcloud AI API Key 添加到您的项目中。

public static final String OVHAI_AI_API_KEY = System.getenv("OVHAI_AI_API_KEY");

请务必将 API Key 设置为环境变量。

export OVHAI_AI_API_KEY=your-api-key #Unix 系统
SET OVHAI_AI_API_KEY=your-api-key #Windows 系统

如何获取 OVHcloud AI API Key，详见此处。

嵌入​

OVHcloud AI 嵌入模型允许您对句子进行嵌入，在应用中使用非常简单。以下是一个快速入门示例。

创建一个类并添加如下代码：

import dev.langchain4j.data.embedding.Embedding;
import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.model.embedding.EmbeddingModel;
import dev.langchain4j.model.ovhai.OvhAiEmbeddingModel;
import dev.langchain4j.store.embedding.EmbeddingMatch;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;

import java.util.List;

public class OvhAiEmbeddingSimpleExample {

    public static void main(String[] args) {
        EmbeddingModel embeddingModel = OvhAiEmbeddingModel.builder()
                .apiKey(System.getenv("OVH_AI_API_KEY"))
                .baseUrl("https://multilingual-e5-base.endpoints.kepler.ai.cloud.ovh.net")
                .build();

        // 为简单起见，本示例使用内存存储，生产环境可选择任意外部兼容存储。
        EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();

        TextSegment segment1 = TextSegment.from("I like football.");
        Embedding embedding1 = embeddingModel.embed(segment1).content();
        embeddingStore.add(embedding1, segment1);

        TextSegment segment2 = TextSegment.from("The weather is good today.");
        Embedding embedding2 = embeddingModel.embed(segment2).content();
        embeddingStore.add(embedding2, segment2);

        String userQuery = "What is your favourite sport?";
        Embedding queryEmbedding = embeddingModel.embed(userQuery).content();
        EmbeddingSearchRequest searchRequest = EmbeddingSearchRequest.builder()
                .queryEmbedding(queryEmbedding)
                .maxResults(1)
                .build();
        EmbeddingSearchResult<TextSegment> searchResult = embeddingStore.search(searchRequest);
        EmbeddingMatch<TextSegment> embeddingMatch = searchResult.matches().get(0);

        System.out.println("Question: " + userQuery); // What is your favourite sport?
        System.out.println("Response: " + embeddingMatch.embedded().text()); // I like football.
    }

}

本示例添加了 2 个文本段，但 LangChain4j 内置支持从多种来源加载文档： 文件系统、URL、Amazon S3、Azure Blob Storage、GitHub、腾讯云 COS。 同时支持多种文档类型的解析：text、pdf、doc、xls、ppt。

输出类似如下：

Question: What is your favourite sport?
Response: I like football.

当然，您也可以将 OVHCloud 嵌入与 RAG（检索增强生成）技术结合使用。

在 RAG 中，您将学习如何使用 RAG 技术进行数据摄取、检索和高级检索。

许多参数在后台已默认设置，如超时时间、模型类型和模型参数。 在设置模型参数中，您将学习如何显式设置这些参数。

更多示例​

如需查看更多示例，请访问 langchain4j-examples 项目。