LangChain 是一个开源框架，提供链来简化大型语言模型应用程序的创建。链由执行一系列操作的互连 LangChain 组件组成。您可以将链用于各种AI使用案例，包括 RAG 和代理检索。
LangChain 提供专用包，将 Voyage AI嵌入模型公开为标准 LangChain 嵌入类。当您将这些包与MongoDB配对时，您可以将嵌入与其他数据一起存储，并使用MongoDB Vector Search查询。
本教程演示如何将 Voyage AI嵌入与 LangChain 结合使用来完成以下任务：
加载源数据并将分割到文档中。
将文档及其嵌入存储在MongoDB中。
在嵌入上创建MongoDB Vector Search索引。
对数据运行语义搜索查询。
实施 RAG 来回答有关数据的问题。
背景
LangChain 集成包括以下 Voyage AI包：
在Python中，
langchain-voyageai包提供了VoyageAIEmbeddings类。在 TypeScript 中，
@langchain/mongodb包提供VoyageEmbeddings类以及MongoDBAtlasVectorSearch向量存储。
由于这两个包都实现了LangChain 的标准嵌入接口，因此您可以将 Voyage 模型传递给任何接受嵌入的 LangChain 组件，包括向量存储和检索器。
Tutorial
以下教程演示了如何将 Voyage AI嵌入与 LangChain 结合使用。选择您的首选语言和 LLM提供商以查看相应的说明。
后续步骤
建立有效的管道后，您可以进行以下调整以提高检索质量，而无需更改 LangChain 链：
要减少嵌入的存储占用空间，请在实例化
VoyageAIEmbeddings时传递output_dimension参数。voyage-4-large模型支持256、512、1024（默认）和2048维度。要学习；了解更多信息，请参阅灵活维度和量化。
要查看其他教程，请参阅以下资源：
要在没有框架下实现RAG，请参阅使用 Voyage AI进行检索增强生成 (RAG)。
要学习；了解使用MongoDB 的其他 LangChain 教程，请参阅MongoDB LangChain 集成入门。
要学习；了解如何将 Voyage AI模型与其他 LLM 框架和AI服务结合使用，请参阅MongoDB AI集成和合作伙伴。