Skip to main content
이 가이드는 LangChain을 사용하여 OpenAI 임베딩 모델을 시작하는 데 도움을 드립니다. OpenAIEmbeddings의 기능 및 구성 옵션에 대한 자세한 문서는 API 참조를 참조하세요.

​
개요

​
통합 세부 정보

​
설정

OpenAI 임베딩 모델에 액세스하려면 OpenAI 계정을 생성하고 API 키를 받은 다음 langchain-openai 통합 패키지를 설치해야 합니다.

​
자격 증명

platform.openai.com으로 이동하여 OpenAI에 가입하고 API 키를 생성하세요. 완료한 후 OPENAI_API_KEY 환경 변수를 설정하세요: 
import getpass
import os

if not os.getenv("OPENAI_API_KEY"):
    os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter your OpenAI API key: ")
모델 호출의 자동 추적을 활성화하려면 LangSmith API 키를 설정하세요: 
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")

​
설치

LangChain OpenAI 통합은 langchain-openai 패키지에 있습니다: 
pip install -qU langchain-openai

​
인스턴스화

이제 모델 객체를 인스턴스화하고 채팅 완성을 생성할 수 있습니다: 
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-large",
    # With the `text-embedding-3` class
    # of models, you can specify the size
    # of the embeddings you want returned.
    # dimensions=1024
)

​
인덱싱 및 검색

임베딩 모델은 검색 증강 생성(RAG) 플로우에서 데이터 인덱싱과 이후 검색 작업의 일부로 자주 사용됩니다. 더 자세한 지침은 RAG 튜토리얼을 참조하세요. 아래에서는 위에서 초기화한 embeddings 객체를 사용하여 데이터를 인덱싱하고 검색하는 방법을 확인할 수 있습니다. 이 예제에서는 InMemoryVectorStore에서 샘플 문서를 인덱싱하고 검색합니다. 
# Create a vector store with a sample text
from langchain_core.vectorstores import InMemoryVectorStore

text = "LangChain is the framework for building context-aware reasoning applications"

vectorstore = InMemoryVectorStore.from_texts(
    [text],
    embedding=embeddings,
)

# Use the vectorstore as a retriever
retriever = vectorstore.as_retriever()

# Retrieve the most similar text
retrieved_documents = retriever.invoke("What is LangChain?")

# show the retrieved document's content
retrieved_documents[0].page_content

'LangChain is the framework for building context-aware reasoning applications'

​
직접 사용

내부적으로 벡터 스토어와 리트리버 구현은 embeddings.embed_documents(...)와 embeddings.embed_query(...)를 호출하여 from_texts 및 검색 invoke 작업에 사용되는 텍스트에 대한 임베딩을 생성합니다. 이러한 메서드를 직접 호출하여 사용자의 사용 사례에 맞는 임베딩을 얻을 수 있습니다.

​
단일 텍스트 임베딩

embed_query를 사용하여 단일 텍스트 또는 문서를 임베딩할 수 있습니다: 
single_vector = embeddings.embed_query(text)
print(str(single_vector)[:100])  # Show the first 100 characters of the vector

[-0.019276829436421394, 0.0037708976306021214, -0.03294256329536438, 0.0037671267054975033, 0.008175

​
여러 텍스트 임베딩

embed_documents를 사용하여 여러 텍스트를 임베딩할 수 있습니다: 
text2 = (
    "LangGraph is a library for building stateful, multi-actor applications with LLMs"
)
two_vectors = embeddings.embed_documents([text, text2])
for vector in two_vectors:
    print(str(vector)[:100])  # Show the first 100 characters of the vector

[-0.019260549917817116, 0.0037612367887049913, -0.03291035071015358, 0.003757466096431017, 0.0082049
[-0.010181212797760963, 0.023419594392180443, -0.04215526953339577, -0.001532090245746076, -0.023573

​
API 참조

OpenAIEmbeddings의 기능 및 구성 옵션에 대한 자세한 문서는 API 참조를 참조하세요.
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I