libs.teradata.langchain_teradata.TeradataVectorStore.from_texts = from_texts(name, texts, embedding=None, **kwargs) class method of libs.teradata.langchain_teradata.vector_store.TeradataVectorStore

DESCRIPTION:
    Creates a new 'content-based' vector store from the input 
    text(s) and embeddings.
    If vector store already exists, an error is raised.
    Notes:
        * Only admin users can use this method.
        * Refer to the 'Admin Flow' section in the
          User guide for details.
 
PARAMETERS:
    name:
        Required Argument.
        Specifies the name of the vector store to be created
        from input list of raw text strings.
        Types: str
 
    texts:
        Required Argument.
        Specifies the text(s) to be indexed for vector store.
        Types: str or list of str
 
    description:
        Optional Argument.
        Specifies the description of the vector store.
        Types: str
 
    target_database:
        Optional Argument.
        Specifies the database name where the vector store is created.
        Notes:
            * If not specified, vector store is created in the database
              which is in use.
        Types: str
 
    vector_column:
        Optional Argument.
        Specifies the name of the column to be used for storing
        the embeddings.
        Default Value: vector_index
        Types: str
 
    metadata_columns:
        Optional Argument.
        Specifies the list of input column names to be used for metadata.
        These columns just get accumulated in the vector store.
        Types: list[str]
 
    metadata_descriptions:
        Optional Argument.
        Specifies the deescriptions of the metadata columns. One value for each metadata column.
        Note:
            Applicable to all store types except metadata-based store type.
        Types: list[str]
 
    use_simd:
        Optional Argument.
        Specifies whether to use SIMD for faster processing.
        Types: bool
 
    embedding_datatype:
        Optional Argument.
        Specifies the data type of the embeddings to be used.
        Default Value: VECTOR32
        Permitted Values: VECTOR32, VECTOR64
        Types: str
 
    embeddings_dims:
        Required for NVIDIA NIM, Optional otherwise.
        Specifies the number of dimensions to be used for generating the embeddings.
        The value depends on the "embeddings".
        Note:
            * Default dimesions is set to 1024 for embedding-based vector store.
        Default Value:
            For AWS:
                * amazon.titan-embed-text-v1: 1536
                * amazon.titan-embed-image-v1: 1024
                * amazon.titan-embed-text-v2:0: 1024
            For Azure:
                * text-embedding-ada-002: 1536
                * text-embedding-3-small: 1536
                * text-embedding-3-large: 3072
        Permitted Values:
            *For AWS:
                * amazon.titan-embed-text-v1: 1536
                * amazon.titan-embed-image-v1: [256, 384, 1024]
                * amazon.titan-embed-text-v2:0: [256, 512, 1024]
            *For Azure:
                * text-embedding-ada-002: 1536 only
                * text-embedding-3-small: 1 <= dims <= 1536
                * text-embedding-3-large: 1 <= dims <= 3072
        Types: str
 
    chat_completion_max_tokens:
        Required for NVIDIA NIM, Optional otherwise.
        Specifies the maximum number of tokens to be generated by the
        "chat_completion_model".
        Default Value: 16384
        Permitted Values: [1, 16384]
        Types: int
 
    model_urls:
        Optional Argument.
        Specifies the URL and models to be used for embedding, chat completion
        and guardrails.
        Note:
            * Refer to the ModelUrlParams class for more details.
        Types: ModelUrlParams
 
    embedding:
        Required for NVIDIA NIM, Optional otherwise.
        Specifies the embeddings model to be used for generating the
        embeddings.
        Default Value:
            For AWS: amazon.titan-embed-text-v2:0
            For Azure: text-embedding-3-small
        Permitted Values:
            For AWS:
                * amazon.titan-embed-text-v1
                * amazon.titan-embed-image-v1
                * amazon.titan-embed-text-v2:0
            For Azure:
                * text-embedding-ada-002
                * text-embedding-3-small
                * text-embedding-3-large
        Types: str, TeradataAI, LangChain Embeddings
 
    chat_completion_model:
        Required for NVIDIA NIM, Optional otherwise.
        Specifies the name of the chat completion model to be used for
        generating text responses.
        Default Value:
            For AWS: anthropic.claude-3-haiku-20240307-v1:0
            For Azure: gpt-35-turbo-16k
        Permitted Values:
            *For AWS:
                * anthropic.claude-3-haiku-20240307-v1:0
                * anthropic.claude-instant-v1
                * anthropic.claude-3-5-sonnet-20240620-v1:0
            *For Azure:
                * gpt-35-turbo-16k
        Types: str, TeradataAI, LangChain BaseChatModel
 
RETURNS:
    VectorStore instance.
 
RAISES:
    TeradataMlException.
 
EXAMPLES:
    # Example 1: Create an instance of a content-based vector store by
    #            passing list of raw strings in "texts" and
    #            "amazon.titan-embed-text-v1" in "embedding".
    # Initialize the required imports.
    >>> from langchain_teradata import TeradataVectorStore
 
    # Create the vector store instance.
    >>> vs_instance = TeradataVectorStore.from_texts(name = "vs_example_1",
                                                     texts = ["This is a sample text.",
                                                            "This is another sample text."],
                                                     embedding="amazon.titan-embed-text-v1")
 
    # Example 2: Create an instance of a content-based vector store by
    #            passing list of raw strings in "texts",
    #            Langchain AzureOpenAIEmbeddings object in "embedding".
    #            and Langchain AzureChatOpenAI object in "chat_completion_model".
    # Initialize the required imports.
    >>> from langchain_azure import AzureOpenAIEmbeddings, AzureChatOpenAI
    >>> llm_azure = AzureOpenAIEmbeddings(model_name="text-embedding-ada-002",
                                          api_key="azure_api_key",
                                          azure_endpoint="azure_endpoint")
    >>> model = AzureChatOpenAI(api_key = "<Enter Azure API Key>",
                                model_name = "gpt-35-turbo-16k",
                                azure_ad_token = "<Enter Azure AD Token>",
                                azure_endpoint="<Enter Azure Endpoint>",
                                azure_deployment="<Enter Azure Deployment>",
                                openai_api_version="<Enter OpenAI API Version>")
 
    >>> vs_instance = TeradataVectorStore.from_texts(name = "vs_example_2",
                                                     texts = ["This is a sample text.",
                                                            "This is another sample text."],
                                                     embedding=llm_azure,
                                                     chat_completion_model=model)