En esta guía, aprenderá a generar sus primeras incrustaciones vectoriales con Voyage AI y a crear una aplicación básica.
Trabaja con una versión ejecutable de este tutorial en un notebook de Python.
Crea una clave API de modelo
Para acceder a los modelos de IA de Voyage, crea una clave de API de modelo en la Interfaz de Usuario de MongoDB Atlas.
Regístrate para obtener una cuenta gratuita de Atlas o inicia sesión.
Si eres nuevo en Atlas, se crea una organización y un proyecto para ti.
Para aprender más, consulta Crea una cuenta Atlas.
Crea una clave API de modelo para tu proyecto.
En tu proyecto de Atlas, selecciona AI Models desde la barra de navegación.
Haga clic en Create model API key.
Asigna un nombre a la clave API y luego haz clic en Create.
Para aprender más, Claves API del modelo.
Genera tus primeras inserciones de información
En esta sección, generará incrustaciones vectoriales utilizando un modelo de incrustación de Voyage AI y el cliente Python.
Crea tu script.
Crea un archivo denominado quickstart.py En tu proyecto, pega el siguiente código. Este código inicializa el cliente de Voyage AI, define textos de muestra y utiliza el cliente para acceder a la API de Voyage y generar incrustaciones vectoriales con el modelo voyage-4-large.
Para obtener más detalles, consulte Python cliente o explore la especificación completa de la API.
import voyageai # Initialize Voyage client vo = voyageai.Client() # Sample texts texts = [ "hello, world", "welcome to voyage ai!" ] # Generate embeddings result = vo.embed( texts, model="voyage-4-large" ) print(f"Generated {len(result.embeddings)} embeddings") print(f"Each embedding has {len(result.embeddings[0])} dimensions") print(f"First embedding (truncated): {result.embeddings[0][:5]}...")
Ejecute el script.
Ejecute el siguiente comando en su terminal para generar las incrustaciones.
python quickstart.py
Generated 2 embeddings Each embedding has 1024 dimensions First embedding (truncated): [-0.02806740067899227, 0.05503412336111069, 0.0038576999213546515, -0.04668188467621803, 0.007834268733859062]...
Compilar una aplicación RAG básica
Ahora que sabes cómo generar representaciones vectoriales, crea una aplicación básica de RAG para aprender a utilizar los modelos de Voyage AI en la implementación de búsqueda y recuperación de IA. RAG permite a los LLM generar respuestas conscientes del contexto recuperando la información relevante de tus datos antes de generar respuestas.
Nota
Las aplicaciones RAG requieren acceso a un LLM. Este tutorial proporciona ejemplos con Anthropic u OpenAI, pero puedes usar el proveedor de LLM que prefieras.
Resumen de aprendizaje.
Ahora que ha creado su primera aplicación con Voyage AI, amplíe las siguientes secciones para obtener más información sobre los conceptos tratados en este inicio rápido:
Utilizaste el voyage-4-large modelo de incrustación para convertir texto en 1024vectores unidimensionales. Cada dimensión representa una característica aprendida que captura aspectos del significado del texto.
También utilizaste el modelo de reranking rerank-2.5 para refinar tus resultados de búsqueda en la query. Puntajes más altos indican mayor similitud entre la query y el contenido del documento.
Para saber más, consulta Visión general de los modelos.
Usaste el voyageai SDK de Python para acceder a la API de incrustación y reclasificación. Al llamar a los modelos con el SDK, especificaste el input_type parámetro para mejorar la precisión de la búsqueda:
document: para optimizar los embeddings que representan tus datos.query: Para optimizar tus incrustaciones de query.
Para obtener más información, consulte Uso de empujes de texto y Especificación del tipo de entrada.
Utilizaste la función de similitud de producto escalar para encontrar documentos semánticamente similares. Numpy es una biblioteca de código abierto que proporciona funciones integradas para operaciones vectoriales. Esta aplicación utiliza las funciones dot() y argsort() para calcular la similitud de producto escalar entre la consulta y las incrustaciones de documentos, y luego ordenar los documentos según sus puntuaciones de similitud.
Para aprender más sobre la búsqueda semántica, consulta Búsqueda semántica con embeddings de Voyage AI. Para obtener más detalles sobre el uso de incrustaciones de texto y el parámetro input_type, consulta Uso.
Combinaste la búsqueda semántica y la reclasificación con un LLM para crear un sistema RAG básico. El sistema recupera documentos relevantes mediante búsqueda semántica, los reclasifica y luego proporciona el documento más relevante a un LLM para generar respuestas precisas y fundamentadas a tus consultas.
Para obtener más información sobre RAG, consulte generación de recuperación aumentada (RAG) con Voyage AI.
Próximos pasos
Para continuar aprendiendo, consulta los siguientes recursos:
Nivel de habilidad | Recursos de documentación |
|---|---|
Básico | |
Intermedio |