PremAI 是一个一体化平台，可简化由生成式 AI 驱动的稳健、生产级应用的创建。通过简化开发流程，PremAI 让你能够专注于提升用户体验并推动应用的总体增长。你可以在此处快速开始使用我们的平台。

在本节中，我们将讨论如何通过 PremEmbeddings 在 llama-index 中访问不同的嵌入模型

安装与设置

我们首先安装 llama-index 和 premai-sdk。可以输入以下命令进行安装：

终端窗口

pip install premai llama-index

在继续之前，请确保你已在 PremAI 上创建账户并创建了项目。如果没有，请参阅快速开始指南以开始使用 PremAI 平台。创建你的第一个项目并获取 API 密钥。

%pip install llama-index-llms-premai

from llama_index.embeddings.premai import PremAIEmbeddings

在 LlamaIndex 中设置 PremAIEmbeddings 实例

导入所需模块后，让我们设置客户端。现在假设我们的 project_id 是 8。但请务必使用你自己的 project-id，否则会抛出错误。

要在 PremAI 中使用 llama-index，你无需传递任何模型名称，也无需为聊天客户端设置任何参数。默认情况下，它会使用 LaunchPad 中使用的模型名称和参数。

我们支持大量最先进的嵌入模型。你可以在此处查看我们支持的 LLM 和嵌入模型列表。在本示例中，我们暂时使用 text-embedding-3-large 模型。

import os
import getpass

if os.environ.get("PREMAI_API_KEY") is None:
    os.environ["PREMAI_API_KEY"] = getpass.getpass("PremAI API Key:")

prem_embedding = PremAIEmbeddings(
    project_id=8, model_name="text-embedding-3-large"
)

调用嵌入模型

现在一切就绪。让我们开始使用嵌入模型，先处理单个查询，再处理多个查询（也称为文档）

query = "Hello, this is a test query"
query_result = prem_embedding.get_text_embedding(query)

print(f"Dimension of embeddings: {len(query_result)}")

Dimension of embeddings: 3072

query_result[:5]

[-0.02129288576543331,
 0.0008162345038726926,
 -0.004556538071483374,
 0.02918623760342598,
 -0.02547479420900345]