自春节前 DMeta Embedding API 开启内测以来，我们收到了众多用户的热情响应与支持，这一切离不开社区的认可与支持，我们深感荣幸。今天，我们将分享一个详细的模型使用教程，帮助您在语义搜索和 RAG 的道路上更进一步！

我们的初心

我们的初心依然不变：既要开源优秀的技术能力，又希望大家能够在实际业务中使用起来，用起来的技术才是好技术、能落地创造价值的技术才是值得长期投入的。在快一个月的时间里，模型的下载量即将突破 4 万大关，并且我们收到了大量用户的 API 申请。

模型下载量

但是仍然有用户和我们在线下沟通交流使用的方法，为了帮助大家更丝滑的使用 DMeta Embedding，帮大家解决疑问，我们这里写了一个开源的教程帮助更好地使用模型。

使用教程

在这里我们实现一个基于 Langchain + Faiss + DMeta Embedding 搭建的向量数据库，作为演示我们采用豆瓣的电影数据。为了减少对环境的依赖，我们建议您采用 API 的方式建立向量数据库。如果采用 API 方式，则需要参考如下方式设置好环境变量：

DMETA_API_KEY=sk-******************

这时我们就可以调用 DMeta Embedding 模型了，我们这里同时给出“local”和“api”两种不同方式的 Python 代码实现：

hf_model_path = "DMetaSoul/Dmeta-embedding-zh"
api_mode_name = "DMetaSoul/Dmeta-embedding"
model_kwargs = {'device': 'cuda'}

if mode == "local":
    emb_model = HuggingFaceEmbeddings(model_name=hf_model_path, model_kwargs=model_kwargs)
    vectorstore = FAISS.from_documents(documents, emb_model)
else:
    emb_model = DMetaTextEmbeddings(model_name=api_mode_name)
    vectorstore = FAISS.from_documents(documents, emb_model)

完整的代码教程 embed-your-data 已经发布到 Github 上：

https://github.com/meta-soul/dmeta-embedding-examples/tree/main/embed-your-data

后续我们将推出更多有用教程帮助大家熟悉数元灵的技术与产品，欢迎大家通过 Github、HuggingFace 和微信群等多种渠道向我们反馈、建议。

API 内测申请和使用

Embedding API 产品通过 HTTP 服务接口进行内测体验，为了兼容其它工具生态，接口跟 OpenAI Embedding 服务保持一致。目前每个内测名额将提供免费 4亿 tokens 额度，也即大概 1GB 左右汉字文本。参照百川智能 Embedding API 价格（0.0005元/千tokens），免费额度等价于 200 元；参照 OpenAI Embedding API 价格（0.00013$/千tokens），免费额度等价于 400 元；