Neste guia, você aprenderá a gerar suas primeiras incorporações vetoriais com o Voyage AI e a criar um aplicação básico.
Trabalhe com uma versão executável deste tutorial como um bloco de anotações Python.
Criar uma chave de API do modelo
Para acessar os modelos de IA do Voyage, crie uma chave de API de modelo na UI do MongoDB Atlas .
Cadastre-se para uma conta Atlas gratuita ou faça login.
Se você é novo no Atlas, ele cria uma organização e um projeto para você.
Para saber mais,consulte Criar uma Conta Atlas .
Crie uma chave de API de modelo para seu projeto.
No seu projeto Atlas , selecione AI Models na barra de navegação.
Clique em Create model API key.
Dê um nome à chave API e clique em Create.
Para saber mais, consulte Chaves de API do modelo.
Gerar Suas Primeiras Incorporações
Nesta seção, você gera incorporações vetoriais usando um modelo de incorporação Voyage AI e o cliente Python.
Crie seu roteiro.
Crie um arquivo denominado quickstart.py no seu projeto e cole o seguinte código nele. Este código inicializa o cliente Voyage AI, define textos de exemplo e usa o cliente para acessar a API Voyage para gerar incorporações vetoriais com o modelo voyage-4-large.
Para obter detalhes,consulte Cliente Python ou navegue na especificação completa da 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]}...")
Execute o roteiro.
Execute o seguinte comando no seu terminal para gerar as incorporações.
python quickstart.py
Generated 2 embeddings Each embedding has 1024 dimensions First embedding (truncated): [-0.02806740067899227, 0.05503412336111069, 0.0038576999213546515, -0.04668188467621803, 0.007834268733859062]...
Crie um Aplicativo RAG Básico
Agora que você sabe como gerar incorporações vetoriais, crie um aplicação RAG básico para aprender como usar os modelos de Voyage AI para implementar a pesquisa e a recuperação de IA. O RAG permite que os LLMs gerem respostas sensíveis ao contexto, recuperando informações relevantes de seus dados antes de gerar respostas.
Observação
Aplicativos RAG exigem acesso a um LLM. Este tutorial fornece exemplos usando Athropic ou OpenAI, mas você pode usar qualquer fornecedor de LLM de sua escolha.
Resumo do aprendizado
Agora que você criou seu primeiro aplicação com o Voyage AI, expanda as seções a seguir para saber mais sobre os conceitos abordados neste início rápido:
Você usou o modelo de incorporação voyage-4-large para converter texto em vetores 1024dimensionais. Cada dimensão representa um recurso aprendizado que captura aspectos do significado do texto.
Você também usou o modelo de reclassificação rerank-2.5 para refinar os resultados da pesquisa em relação à query. Pontuações mais altas indicam similaridade mais forte entre a query e o conteúdo do documento .
Para saber mais, consulte Visão geral de modelos.
Você usou o voyageai Python SDK para acessar a API de Incorporação e Reclassificação. Ao chamar os modelos utilizando o SDK, você especificou o input_type parâmetro para melhorar a precisão da pesquisa:
document: Para otimizar as incorporações que representam seus dados.query: para otimizar suas incorporações de query.
Para saber mais, consulte Uso de incorporações de texto e Especificação do tipo de entrada.
Você usou a função de similaridade do produto pontual para localizar documentos semanticamente semelhantes. O Numpy é uma biblioteca de código aberto que fornece funções internas para operações vetoriais, e esse aplicação usa as funções dot() e argsort() para calcular a similaridade do produto pontual entre a query e as incorporações de documento e, em seguida, classificar os documentos por seus pontuações de similaridade.
Para saber mais sobre a pesquisa semântica, consulte Pesquisa semântica com incorporações Voyage AI. Para obter mais detalhes sobre o uso de input_type incorporações detexto e o parâmetro, consulte Uso.
Você combinou pesquisa semântica e reclassificação com um LLM para criar um sistema RAG básico. O sistema recupera documentos relevantes usando pesquisa semântica, reclassifica-os e, em seguida, fornece o documento mais relevante a um LLM para gerar respostas precisas e baseadas em suas consultas.
Para saber mais sobre RAG, consulte Geração Aumentada de Recuperação (RAG) com Voyage AI.
Próximos passos
Para continuar aprendendo, consulte os seguintes recursos:
Nível de habilidade | Recursos de documentação |
|---|---|
Básico | |
Intermediário |