En esta guía, aprenderás cómo generar tus primeros vectores de incrustaciones con Voyage IA y compilarás 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 de modelo.
Genera tus primeras inserciones de información
En esta sección, generas incrustaciones vectoriales usando un modelo de incrustación Voyage IA y el cliente de Python.
Crea tu script.
Crea un archivo denominado quickstart.py en tu proyecto y pega el siguiente código en él. Este código inicializa el cliente de Voyage IA, define textos de ejemplo y utiliza el cliente para acceder a la API de Voyage para 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.
Ejecuta el siguiente comando en tu terminal para generar los embeddings.
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 has creado tu primera aplicación con Voyage AI, amplía las siguientes secciones para aprender más sobre los conceptos cubiertos en esta guía rápida:
Utilizaste el modelo de incrustación voyage-4-large para convertir texto en vectores de 1024dimensiones. Cada dimensión representa una funcionalidad 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 Embedding y Reordenamiento. Al llamar a los modelos usando el SDK, especificaste el parámetro input_type para mejorar la precisión de 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 punto para encontrar documentos semánticamente similares. Numpy es una biblioteca de código abierto que proporciona funciones incorporadas para operaciones vectoriales, y esta aplicación utiliza las funciones dot() y argsort() para calcular la similitud del producto escalar entre las incrustaciones de query y documento, y luego ordenar los documentos por sus puntajes 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 reindexación con un LLM para crear un sistema básico de RAG. El sistema recupera documentos relevantes mediante búsqueda semántica, los reordena y proporciona luego 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 |