Skip to main content
Open In Colab在 GitHub 上打开

VLITE

VLite 是一个简单而快速的矢量数据库，允许您使用嵌入在语义上存储和检索数据。vlite 由 numpy 制成，是一个轻量级的电池数据库，用于将 RAG、相似性搜索和嵌入到您的项目中。

您需要安装langchain-community跟pip install -qU langchain-community使用此集成

安装

要在 LangChain 中使用 VLite，您需要安装vlite包：

!pip install vlite

导入 VLite

from langchain_community.vectorstores import VLite
API 参考：VLite

基本示例

在这个基本示例中，我们加载一个文本文档，并将其存储在 VLite 矢量数据库中。然后，我们执行相似性搜索以根据查询检索相关文档。

VLite 会为您处理文本的分块和嵌入，您可以通过对文本进行预分块和/或将这些块嵌入到 VLite 数据库中来更改这些参数。

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter

# Load the document and split it into chunks
loader = TextLoader("path/to/document.txt")
documents = loader.load()

# Create a VLite instance
vlite = VLite(collection="my_collection")

# Add documents to the VLite vector database
vlite.add_documents(documents)

# Perform a similarity search
query = "What is the main topic of the document?"
docs = vlite.similarity_search(query)

# Print the most relevant document
print(docs[0].page_content)

添加文本和文档

您可以使用add_texts和add_documents方法。

# Add texts to the VLite vector database
texts = ["This is the first text.", "This is the second text."]
vlite.add_texts(texts)

# Add documents to the VLite vector database
documents = [Document(page_content="This is a document.", metadata={"source": "example.txt"})]
vlite.add_documents(documents)

VLite 提供了对存储的文档执行相似性搜索的方法。

# Perform a similarity search
query = "What is the main topic of the document?"
docs = vlite.similarity_search(query, k=3)

# Perform a similarity search with scores
docs_with_scores = vlite.similarity_search_with_score(query, k=3)

VLite 还支持最大边际相关性 （MMR） 搜索，该搜索针对与查询的相似性和检索到的文档之间的多样性进行了优化。

# Perform an MMR search
docs = vlite.max_marginal_relevance_search(query, k=3)

更新和删除文档

您可以使用update_document和delete方法。

# Update a document
document_id = "doc_id_1"
updated_document = Document(page_content="Updated content", metadata={"source": "updated.txt"})
vlite.update_document(document_id, updated_document)

# Delete documents
document_ids = ["doc_id_1", "doc_id_2"]
vlite.delete(document_ids)

检索文档

您可以使用get方法。

# Retrieve documents by IDs
document_ids = ["doc_id_1", "doc_id_2"]
docs = vlite.get(ids=document_ids)

# Retrieve documents by metadata
metadata_filter = {"source": "example.txt"}
docs = vlite.get(where=metadata_filter)

创建 VLite 实例

您可以使用各种方法创建 VLite 实例：

# Create a VLite instance from texts
vlite = VLite.from_texts(texts)

# Create a VLite instance from documents
vlite = VLite.from_documents(documents)

# Create a VLite instance from an existing index
vlite = VLite.from_existing_index(collection="existing_collection")

附加功能

VLite 提供了用于管理向量数据库的附加功能：

from langchain.vectorstores import VLite
vlite = VLite(collection="my_collection")

# Get the number of items in the collection
count = vlite.count()

# Save the collection
vlite.save()

# Clear the collection
vlite.clear()

# Get collection information
vlite.info()

# Dump the collection data
data = vlite.dump()