跳到主要内容

OVHcloud AI Endpoints

プロジェクトセットアップ​

Maven依存関係​

<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-open-ai</artifactId>
<version>1.13.0</version>
</dependency>

APIキーの設定​

OVHcloud AI APIキーをプロジェクトに追加します。

public static final String OVHAI_AI_API_KEY = System.getenv("OVHAI_AI_API_KEY");

APIキーを環境変数として設定することを忘れないでください。

export OVHAI_AI_API_KEY=your-api-key #For Unix OS based
SET OVHAI_AI_API_KEY=your-api-key #For Windows OS

OVHcloud AI APIキーの取得方法の詳細はこちらで確認できます

埋め込み​

OVHcloud AI埋め込みモデルを使用すると、文章を埋め込むことができ、アプリケーションでの使用は簡単です。OVHcloud AI埋め込みモデル統合を始めるための簡単な例を提供します。

クラスを作成し、以下のコードを追加します。

import dev.langchain4j.data.embedding.Embedding;
import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.model.embedding.EmbeddingModel;
import dev.langchain4j.model.ovhai.OvhAiEmbeddingModel;
import dev.langchain4j.store.embedding.EmbeddingMatch;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;

import java.util.List;

public class OvhAiEmbeddingSimpleExample {

public static void main(String[] args) {
EmbeddingModel model = OpenAiEmbeddingModel.builder()
.baseUrl("https://oai.endpoints.kepler.ai.cloud.ovh.net/v1")
.apiKey(System.getenv("OVHAI_AI_API_KEY"))
.modelName("Qwen3-Embedding-8B")
.logRequests(true)
.logResponses(false) // embeddings are huge in logs
.build();

// For simplicity, this example uses an in-memory store, but you can choose any external compatible store for production environments.
EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();

TextSegment segment1 = TextSegment.from("I like football.");
Embedding embedding1 = embeddingModel.embed(segment1).content();
embeddingStore.add(embedding1, segment1);

TextSegment segment2 = TextSegment.from("The weather is good today.");
Embedding embedding2 = embeddingModel.embed(segment2).content();
embeddingStore.add(embedding2, segment2);

String userQuery = "What is your favourite sport?";
Embedding queryEmbedding = embeddingModel.embed(userQuery).content();
EmbeddingSearchRequest searchRequest = EmbeddingSearchRequest.builder()
.queryEmbedding(queryEmbedding)
.maxResults(1)
.build();
EmbeddingSearchResult<TextSegment> searchResult = embeddingStore.search(searchRequest);
EmbeddingMatch<TextSegment> embeddingMatch = searchResult.matches().get(0);

System.out.println("Question: " + userQuery); // What is your favourite sport?
System.out.println("Response: " + embeddingMatch.embedded().text()); // I like football.
}

}

この例では2つのテキストセグメントを追加しますが、LangChain4jはさまざまなソースからドキュメントを読み込むための組み込みサポートを提供しています: ファイルシステム、URL、Amazon S3、Azure Blob Storage、GitHub、Tencent COS。 さらに、LangChain4jは複数のドキュメントタイプの解析をサポートしています: テキスト、PDF、DOC、XLS、PPT。

出力は以下のようになります:

Question: What is your favourite sport?
Response: I like football.

もちろん、OVHCloud埋め込みをRAG(検索拡張生成)技術と組み合わせることもできます。

RAGでは、LangChain4jを使用したRAG技術の取り込み、検索、高度な検索について学ぶことができます。

タイムアウト、モデルタイプ、モデルパラメータなど、多くのパラメータが背後で設定されています。 モデルパラメータの設定では、これらのパラメータを明示的に設定する方法を学ぶことができます。

その他の例​

より多くの例を確認したい場合は、langchain4j-examplesプロジェクトで見つけることができます。