MariaDB的

LangChain 的 MariaDB 集成（langchain-mariadb）提供了用于 MariaDB 版本 11.7.1 及更高版本的矢量功能，这些版本在 MIT 许可证下分发。用户可以按原样使用提供的实施，也可以根据特定需求对其进行自定义。主要功能包括：

内置向量相似性搜索
支持余弦和欧几里得距离度量
强大的元数据筛选选项
通过连接池优化性能
可配置的表和列设置

设置

使用以下命令启动 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

安装软件包

该包使用 SQLAlchemy，但最适合 MariaDB 连接器，它需要 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

VectorStore 与 LLM 模型一起工作，这里使用langchain-openai作为示例。

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

管理矢量存储

添加数据

您可以将数据添加为包含元数据的文档：

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"})

系统支持对元数据进行各种筛选作：

相等性：$eq
不等式：$ne
比较： $lt、$lte、$gt $gte
列表作：$in、$nin
文本匹配：$like、$nlike
逻辑运算：$and、$or $not

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"]}},
)

用于检索增强生成

TODO：文档示例

API 参考

有关更多详细信息，请参阅此处的存储库。

矢量存储概念指南
Vector store 操作指南

设置