TogetherAIEmbeddings 통합

LangChain JavaScript로 TogetherAIEmbeddings 임베딩 모델과 통합하는 방법을 안내할게요.

출처: 문서

본문

이 문서는 LangChain으로 TogetherAIEmbeddings 임베딩 모델을 시작하는 데 도움을 줘요. TogetherAIEmbeddings 기능과 구성 옵션에 대한 자세한 문서는 API 레퍼런스를 참고하세요.

개요

통합 세부 정보

클래스	패키지	Local	Py 지원	Downloads	Version
`TogetherAIEmbeddings`	`@langchain/together-ai`	❌	✅

설정

Together AI 임베딩 모델에 접근하려면 Together 계정을 만들고 API 키를 받은 뒤 @langchain/together-ai 통합 패키지를 설치해야 해요.

자격 증명

Together 계정에 가입하고 API 키를 만들 수 있어요. TOGETHER_AI_API_KEY 환경 변수를 설정하세요:

export TOGETHER_AI_API_KEY="your-api-key"

모델 호출의 자동 추적(tracing)을 원한다면 아래 주석을 해제해 LangSmith API 키를 설정할 수도 있어요:

# export LANGSMITH_TRACING="true"
# export LANGSMITH_API_KEY="your-api-key"

설치

LangChain TogetherAIEmbeddings 통합은 @langchain/together-ai 패키지에 있어요:

```bash npm theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} npm install @langchain/together-ai @langchain/core ```

yarn add @langchain/together-ai @langchain/core

pnpm add @langchain/together-ai @langchain/core

인스턴스 생성

임베딩 모델을 인스턴스화하세요:

import { TogetherAIEmbeddings } from "@langchain/together-ai";

const embeddings = new TogetherAIEmbeddings({
  model: "togethercomputer/m2-bert-80M-8k-retrieval", // Default value
});

인덱싱 및 검색

임베딩 모델은 데이터 인덱싱과 나중 검색 모두의 일부로, 검색 증강 생성(RAG) 흐름에서 자주 사용돼요. 더 자세한 지침은 Learn 탭의 RAG 튜토리얼을 참고하세요.

아래에서 위에서 초기화한 embeddings 객체로 데이터를 인덱싱하고 검색하는 방법을 확인하세요. 이 예제에서는 데모 MemoryVectorStore를 사용해 샘플 문서를 인덱싱하고 검색할 거예요.

// Create a vector store with a sample text
import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";

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

const vectorstore = await MemoryVectorStore.fromDocuments(
  [{ pageContent: text, metadata: {} }],
  embeddings,
);

// Use the vector store as a retriever that returns a single document
const retriever = vectorstore.asRetriever(1);

// Retrieve the most similar text
const retrievedDocuments = await retriever.invoke("What is LangChain?");

retrievedDocuments[0].pageContent;

LangChain is the framework for building context-aware reasoning applications

직접 사용

내부적으로 vectorstore와 retriever 구현은 fromDocuments에 사용된 텍스트와 retriever의 invoke 연산에 대해 각각 embeddings.embedDocument(...) 와 embeddings.embedQuery(...)를 호출해 임베딩을 만들어요.

이 메서드들을 직접 호출해 자신의 사용 사례에 대한 임베딩을 얻을 수 있어요.

단일 텍스트 임베딩

embedQuery로 검색을 위한 쿼리를 임베딩할 수 있어요. 이는 쿼리에 특화된 벡터 표현을 생성해요:

const singleVector = await embeddings.embedQuery(text);

console.log(singleVector.slice(0, 100));

[
     0.3812227, -0.052848946,  -0.10564975,   0.03480297,    0.2878488,
  0.0084609175,   0.11605915,   0.05303011,   0.14711718,  -0.14407106,
   -0.29865336,  -0.15807179, -0.068397366,   -0.2708063,  0.056596708,
   -0.07656515,  0.052995138,  -0.11275427,  0.028096694,  0.123501234,
  -0.039519835,   0.12148692,  -0.12820457,   0.15691335,  0.033519063,
   -0.27026987,  -0.08460162,  -0.23792154,    -0.234982,  -0.05786798,
   0.016467346,  -0.17168592, -0.060787182,  0.038752213,  -0.08169927,
    0.09327062,   0.29490772,    0.0167866,  -0.32224452,   -0.2037822,
   -0.10284172, -0.124050565,   0.25344968,  -0.06275548,  -0.14180769,
  0.0046709594,  0.073105976,   0.12004031,   0.19224276, -0.022589967,
   0.102790825,    0.1138286, -0.057701062, -0.050010648,   -0.1632584,
   -0.18942119,  -0.12018798,   0.15288158,   0.07941474,   0.10440051,
   -0.13257962,  -0.19282033,  0.044656333,   0.13560675, -0.068929024,
   0.028590716,  0.055663664,   0.04652713,  0.014936657,  0.120679885,
   0.053866718,  -0.16296014,  0.119450666,  -0.29559663,  0.008097747,
    0.07380408,  -0.09010084,   -0.0687739,  -0.08575685,  -0.07202606,
    0.18868081,  -0.08392917,  0.014016109,   0.15435852, -0.030115498,
   -0.16927013,   0.02836557, -0.050763763,    0.0840437,  -0.22718845,
   0.111397505,  0.033395614, -0.123287566,   -0.2111604,   -0.1580479,
    0.05520573,   -0.1422921,   0.08828953,  0.051058788,  -0.13312188
]

여러 텍스트 임베딩

embedDocuments로 인덱싱을 위한 여러 텍스트를 임베딩할 수 있어요. 이 메서드에 사용되는 내부는 쿼리 임베딩과 다를 수 있지만(다를 필요는 없음) 있어요:

const text2 = "LangGraph is a library for building stateful, multi-actor applications with LLMs";

const vectors = await embeddings.embedDocuments([text, text2]);

console.log(vectors[0].slice(0, 100));
console.log(vectors[1].slice(0, 100));

[
     0.3812227, -0.052848946,  -0.10564975,   0.03480297,    0.2878488,
  0.0084609175,   0.11605915,   0.05303011,   0.14711718,  -0.14407106,
   -0.29865336,  -0.15807179, -0.068397366,   -0.2708063,  0.056596708,
   -0.07656515,  0.052995138,  -0.11275427,  0.028096694,  0.123501234,
  -0.039519835,   0.12148692,  -0.12820457,   0.15691335,  0.033519063,
   -0.27026987,  -0.08460162,  -0.23792154,    -0.234982,  -0.05786798,
   0.016467346,  -0.17168592, -0.060787182,  0.038752213,  -0.08169927,
    0.09327062,   0.29490772,    0.0167866,  -0.32224452,   -0.2037822,
   -0.10284172, -0.124050565,   0.25344968,  -0.06275548,  -0.14180769,
  0.0046709594,  0.073105976,   0.12004031,   0.19224276, -0.022589967,
   0.102790825,    0.1138286, -0.057701062, -0.050010648,   -0.1632584,
   -0.18942119,  -0.12018798,   0.15288158,   0.07941474,   0.10440051,
   -0.13257962,  -0.19282033,  0.044656333,   0.13560675, -0.068929024,
   0.028590716,  0.055663664,   0.04652713,  0.014936657,  0.120679885,
   0.053866718,  -0.16296014,  0.119450666,  -0.29559663,  0.008097747,
    0.07380408,  -0.09010084,   -0.0687739,  -0.08575685,  -0.07202606,
    0.18868081,  -0.08392917,  0.014016109,   0.15435852, -0.030115498,
   -0.16927013,   0.02836557, -0.050763763,    0.0840437,  -0.22718845,
   0.111397505,  0.033395614, -0.123287566,   -0.2111604,   -0.1580479,
    0.05520573,   -0.1422921,   0.08828953,  0.051058788,  -0.13312188
]
[
   0.066308185, -0.032866564,  0.115751594,   0.19082588,      0.14017,
   -0.26976448, -0.056340694,  -0.26923394,    0.2548541,  -0.27271318,
    -0.2244126,   0.07949589,  -0.27710953,  -0.17993368,   0.09681616,
   -0.08692256,   0.22127126,  -0.14512022,  -0.18016525,   0.14892976,
    -0.0526347, -0.008140617,   -0.2916987,   0.23706906,  -0.38488507,
   -0.35881752,   0.09276949,  -0.07051063,  -0.07778231,   0.12552947,
    0.06256748,  -0.25832427,  0.025054429,   -0.1451448,   -0.2662871,
    0.13676351,  -0.07413256,   0.14966589,  -0.39968985,   0.15542287,
   -0.13107607,   0.02761394,  0.108077586,  -0.12076956,     0.128296,
   -0.05625126,   0.15723586, -0.056932643,   0.23720805,   0.23993455,
  -0.035553705, -0.053907514,  -0.11852807,   0.07005695,  -0.06317475,
   0.070009425,     0.284697,    0.2212059,  0.018890115,   0.16924675,
    0.21651487,   0.07259682,    0.1328156,    0.3261852,    0.1914124,
   -0.10120423,   0.03450111,  -0.22588971,  -0.04458192,   0.24116798,
  -0.021830376,  -0.30731413,   0.08586451, -0.058835756, 0.0010347435,
  0.0031927782,  -0.09403646,  -0.22608931,   0.15865424,   0.15738021,
    0.23582733,    0.1714161,    0.1585189,  -0.18085755,  0.019376995,
  -0.026587496, -0.017079154,  -0.04588549, -0.047336094, -0.082413346,
    -0.1114185,  -0.05403556,   0.12438637,  -0.20476522,     0.073182,
   -0.12210378, -0.010543863,  -0.09767598,    0.1057683, -0.050204434
]

API 레퍼런스

모든 TogetherAIEmbeddings 기능과 구성에 대한 자세한 문서는 API 레퍼런스를 참고하세요.

[Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers. [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/oss/javascript/integrations/embeddings/togetherai.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).

더 알아보기

이 문서를 MCP로 연결하면 Claude, VSCode 등에서 실시간 답변을 받을 수 있어요.
GitHub에서 이 페이지 편집하기 또는 이슈 제출하기.