이 가이드 에서는Voyage AI 사용하여 첫 번째 벡터 임베딩을 생성하고 기본 애플리케이션 빌드 방법을 학습 .
모델 API 키 만들기
Voyage AI 모델에 액세스 하려면 MongoDB Atlas UI 에서 모델 API 키를 생성합니다.
프로젝트 에 대한 모델 API 키를 만듭니다.
Atlas 프로젝트 의 탐색 모음에서 AI Model APIs 을(를) 선택합니다.
Create model API key를 클릭합니다.
API 키에 이름을 지정한 다음 Create를 클릭합니다.
자세한 학습은 Voyage AI 모델 API 키 관리를 참조하세요.
첫 번째 임베딩 생성
이 섹션에서는 Voyage AI 임베딩 모델과 Python 클라이언트 사용하여 벡터 임베딩을 생성합니다.
스크립트 만듭니다.
프로젝트 에 quickstart.py 라는 파일 만들고 다음 코드를 붙여넣습니다. 이 코드는 Voyage AI 클라이언트를 초기화하고, 샘플 텍스트를 정의하고, 클라이언트를 사용하여 Voyage API에 액세스하여 voyage-4-large 모델로 벡터 임베딩을 생성합니다.
For details, see Python Client or explore the full API specification.
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]}...")
기본 RAG 애플리케이션 빌드
이제 벡터 임베딩을 생성하는 방법을 알게 되었으므로 기본 RAG 애플리케이션 빌드 Voyage AI 모델을 사용하여 AI 검색 구현 방법을 학습 . RAG를 사용하면 LLM이 답변을 생성하기 전에 데이터에서 관련 정보를 검색하여 컨텍스트 인식 응답을 생성할 수 있습니다.
참고
RAG 애플리케이션을 사용하려면 LLM에 액세스 해야 합니다. 이 튜토리얼에서는 Atronic 또는 OpenAI를 사용하는 예시를 제공하지만 원하는 LLM 제공자 사용할 수 있습니다.
학습 요약
이제 Voyage AI 사용하여 첫 번째 애플리케이션 만들었으므로 다음 섹션을 확장하여 이 빠른 시작에서 다루는 개념에 대해 자세히 학습 .
다음 단계
학습을 계속하려면 다음 리소스를 참조하세요.