このガイドでは、Voyage AIを使用して最初のベクトル埋め込みを生成し、 基本的なアプリケーションを構築する 方法を学習します。
モデルAPIキーの作成
Voyage AIモデルにアクセスするには、 MongoDB Atlas UIでモデルAPIキーを作成します。
無料の Atlas アカウントにサインアップするか、ログます。
Atlas を初めて使用する場合、組織とプロジェクトが作成されます。
詳細については、「 Atlas アカウントの作成 」を参照してください。
プロジェクトのモデルAPIキー を作成します。
Atlasプロジェクトで、ナビゲーション バーから AI Model APIs を選択します。
[Create model API key] をクリックします。
APIキーに名前を指定し、[Create] をクリックします。
詳細について学ぶには、Voyage AI モデル API キーを管理するを参照してください。
最初の埋め込みを生成する
このセクションでは、Voyage AI埋め込みモデルとPythonクライアントを使用してベクトル埋め込みを生成します。
スクリプトを作成します。
プロジェクトに quickstart.py という名前のファイルを作成し、次のコードをそのファイルに貼り付けます。このコードは、 Voyage AIクライアントを初期化し、サンプルテキストを定義し、クライアントを使用して Voyage APIにアクセスし、voyage-4-large モデルのベクトル埋め込みを生成します。
詳細については、 Pythonクライアントを参照するか、完全なAPI仕様を調べてください。
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]}...")
基本的な RAG アプリケーションをビルド
ベクトル埋め込みを生成する方法がわかったので、基本的なRAGアプリケーションを構築して、Voyage AIモデルを使用してAI検索と取得を実装する方法を学びます。RAG を使用すると、応答を生成する前にデータから関連情報を取得することで、LDM がコンテキストに対応した応答を生成できるようになります。
注意
RAG アプリケーションは LLM へのアクセスが必要です。このチュートリアルでは、Anthropic または OpenAI を使用する例を提供しますが、お好みの任意の LLM プロバイダーを使用できます。
学習の概要
Voyage AIを使用して最初のアプリケーションを作成したので、次のセクションを展開して、このクイック スタートで説明されている概念の詳細を学習してください。
次のステップ
学習を続けるには、次のリソースを参照してください。