En esta guía, aprenderá a generar sus primeras incrustaciones vectoriales con Voyage AI y a crear una aplicación básica.
Trabaje con una versión ejecutable de este tutorial como un cuaderno de Python.
Crear una clave API de modelo
Para acceder a los modelos de Voyage AI, cree una clave API de modelo en la interfaz de usuario de MongoDB Atlas.
Regístrese para obtener una cuenta Atlas gratuita o inicie sesión.
Si eres nuevo en Atlas, se crea una organización y un proyecto para ti.
Para obtener más información, consulte Crear una cuenta Atlas.
Cree una clave API de modelo para su proyecto.
En su proyecto Atlas, seleccione 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 obtener más información, consulte Claves API del modelo.
Genera tus primeras incrustaciones
En esta sección, generará incrustaciones vectoriales utilizando un modelo de incrustación de Voyage AI y el cliente Python.
Crea tu guión.
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 Cliente Python o explore la especificación API completa.
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]...
Construir 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 usaste el modelo de reordenamiento rerank-2.5 para refinar los resultados de búsqueda según la consulta. Las puntuaciones más altas indican una mayor similitud entre la consulta y el contenido del documento.
Para obtener más información, consulte Descripción general de 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 las incrustaciones que representan sus datos.query:Para optimizar sus incrustaciones de consultas.
Para obtener más información, consulte Uso de incrustaciones 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 obtener más información sobre la búsqueda semántica, consulte Búsqueda semántica con incrustaciones de Voyage AI. Para más detalles sobre el uso de incrustaciones de texto y el input_type parámetro, consulte 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, consulte los siguientes recursos:
Nivel de habilidad | Recursos de documentación |
|---|---|
Básico | |
Intermedio |