在本指南中，您学习；了解如何使用 Voyage AI生成第一个向量嵌入并构建基本应用程序。
使用本教程的可运行版本以作为 Python 笔记本。
创建模型API密钥
要访问Voyage AI模型，请在MongoDB Atlas用户界面中创建模型API密钥。
为您的项目创建模型API密钥。
在Atlas项目中，从导航栏中选择 AI Models。
单击 Create model API key（连接）。
为API密钥命名，然后单击 Create。
要学习；了解更多信息，请参阅模型API密钥。
生成您的第一个嵌入
在本部分中，您将使用 Voyage AI嵌入模型和Python客户端生成向量嵌入。
创建脚本。
在项目中创建一个名为 quickstart.py 的文件，并将以下代码粘贴到其中。此代码初始化 Voyage AI客户端，定义示例文本，并使用客户端访问 Voyage API以使用 voyage-4-large 模型生成向量嵌入。
有关详细信息，请参阅Python客户端或浏览完整的API规范。
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]}...")
构建基本 RAG 应用程序
现在您已经知道如何生成向量嵌入，构建一个基本的 RAG 应用程序，以学习如何使用 Voyage AI模型来实现AI搜索和检索。RAG 使法学硕士能够在生成答案之前从数据中检索相关信息，从而生成上下文感知的响应。
注意
RAG 应用程序需要访问 LLM。本教程提供了使用 Anthropic 或 OpenAI 的示例，但您也可以使用您选择的任何 LLM提供商。
学习总结
现在您已经使用 Voyage AI创建了第一个应用程序，请展开以下部分以学习；了解有关本快速入门中涵盖的概念的更多信息：
您使用 voyage-4-large 嵌入模型将文本转换为 1024 维向量。每个维度代表一个学习到的功能，捕获文本含义的各个方面。
您还使用了 rerank-2.5 重新排名模型来根据查询优化搜索结果。分数越高表示查询和文档内容之间的相似性越强。
要学习；了解更多信息，请参阅模型概述。
您使用 voyageai Python SDK 访问权限 Embedding and Reranking API。使用 SDK 调用模型时，您指定了 input_type 参数以提高搜索准确性：
document：优化表示数据的嵌入。query：优化查询嵌入。
您使用点积相似度函数查找语义相似的文档。Numpy 是一个开源库，可为向量运算提供内置函数，该应用程序使用 dot() 和 argsort() 函数来计算查询与文档嵌入之间的点积相似度，然后按其相似度分数对文档进行排序。
要学习；了解有关语义搜索的更多信息，请参阅使用 Voyage AI嵌入进行语义搜索。有关文本嵌入用法和 input_type 参数的更多详细信息，请参阅用法。
您将语义搜索和重新排名与 LLM 相结合，创建了一个基本的 RAG 系统。系统使用语义搜索检索相关文档，对它们重新排名，然后向LLM提供最相关的文档，以对您的查询生成准确、有根据的响应。
要学习；了解有关 RAG 的更多信息，请参阅使用 Voyage AI进行检索增强生成 (RAG)。
后续步骤
要继续学习，请参阅以下资源：