MariaDB

LangChain 的 MariaDB 集成（langchain-mariadb）为 MariaDB 11.7.1 及以上版本提供了向量功能，遵循 MIT 许可证发布。用户可以直接使用所提供的实现，或根据特定需求进行自定义。 主要特性包括：

• 内置向量相似性搜索
• 支持余弦和欧几里得距离度量
• 强大的元数据过滤选项
• 通过连接池进行性能优化
• 可配置的表格和列设置

设置

使用以下命令启动一个 MariaDB Docker 容器：

!docker run --name mariadb-container -e MARIADB_ROOT_PASSWORD=langchain -e MARIADB_DATABASE=langchain -p 3306:3306 -d mariadb:11.7

安装包​

该包使用 SQLAlchemy，但与 MariaDB 连接器配合使用效果最佳，而 MariaDB 连接器需要 C/C++ 组件：

# Debian, Ubuntu
!sudo apt install libmariadb3 libmariadb-dev

# CentOS, RHEL, Rocky Linux
!sudo yum install MariaDB-shared MariaDB-devel

# Install Python connector
!pip install -U mariadb

然后安装 langchain-mariadb 包

pip install -U langchain-mariadb

向量存储（VectorStore）与一个LLM模型配合使用，此处以langchain-openai为例。

pip install langchain-openai
export OPENAI_API_KEY=...

初始化

from langchain_core.documents import Document
from langchain_mariadb import MariaDBStore
from langchain_openai import OpenAIEmbeddings

# connection string
url = f"mariadb+mariadbconnector://myuser:mypassword@localhost/langchain"

# Initialize vector store
vectorstore = MariaDBStore(
    embeddings=OpenAIEmbeddings(),
    embedding_length=1536,
    datasource=url,
    collection_name="my_docs",
)

API 参考:文档 |OpenAI 嵌入

管理向量存储

添加数据​

您可以将带有元数据的数据作为文档添加：

docs = [
    Document(
        page_content="there are cats in the pond",
        metadata={"id": 1, "location": "pond", "topic": "animals"},
    ),
    Document(
        page_content="ducks are also found in the pond",
        metadata={"id": 2, "location": "pond", "topic": "animals"},
    ),
    # More documents...
]
vectorstore.add_documents(docs)

或者作为带有可选元数据的纯文本：

texts = [
    "a sculpture exhibit is also at the museum",
    "a new coffee shop opened on Main Street",
]
metadatas = [
    {"id": 6, "location": "museum", "topic": "art"},
    {"id": 7, "location": "Main Street", "topic": "food"},
]

vectorstore.add_texts(texts=texts, metadatas=metadatas)

查询向量存储

# Basic similarity search
results = vectorstore.similarity_search("Hello", k=2)

# Search with metadata filtering
results = vectorstore.similarity_search("Hello", filter={"category": "greeting"})

过滤选项​

系统支持对元数据的各种过滤操作：

• 相等：$eq
• 不等式：$ne
• 比较操作符：$lt, $lte, $gt, $gte
• 列表操作：$in，$nin
• 文本匹配：$like，$nlike
• 逻辑操作：$and，$or，$not

示例：

# Search with simple filter
results = vectorstore.similarity_search(
    "kitty", k=10, filter={"id": {"$in": [1, 5, 2, 9]}}
)

# Search with multiple conditions (AND)
results = vectorstore.similarity_search(
    "ducks",
    k=10,
    filter={"id": {"$in": [1, 5, 2, 9]}, "location": {"$in": ["pond", "market"]}},
)

使用检索增强生成

TODO: 记录示例

API 参考

有关更多详细信息，请参见仓库 此处。

相关

• 向量存储 概念指南
• 向量存储 使用指南