MemoryVectorStore

LangChain 提供的是一个内存中的、短暂的向量存储，它将嵌入存储在内存中，并对最相似的嵌入进行精确的线性搜索。默认相似度度量是余弦相似度，但可以更改为 ml-distance 支持的任何相似度度量。

由于它旨在用于演示，因此它还不支持 ID 或删除。

本指南简要概述了如何开始使用内存中的 向量存储。有关所有 MemoryVectorStore 功能和配置的详细文档，请访问 API 参考。

概述

集成详细信息

类	包	PY 支持	最新包
MemoryVectorStore	langchain	❌

安装

要使用内存中的向量存储，您需要安装 langchain 包

本指南还将使用 OpenAI 嵌入，这需要您安装 @langchain/openai 集成包。如果您愿意，也可以使用 其他支持的嵌入模型。

提示

参见 本节了解有关安装集成包的一般说明。

npm

npm i langchain @langchain/openai @langchain/core

yarn

yarn add langchain @langchain/openai @langchain/core

pnpm

pnpm add langchain @langchain/openai @langchain/core

凭据

使用内存中的向量存储不需要任何必需凭据。

如果您在本指南中使用 OpenAI 嵌入，您需要设置您的 OpenAI 密钥

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您希望自动跟踪您的模型调用，您也可以通过取消以下内容来设置您的 LangSmith API 密钥

// process.env.LANGCHAIN_TRACING_V2="true"
// process.env.LANGCHAIN_API_KEY="your-api-key"

实例化

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const vectorStore = new MemoryVectorStore(embeddings);

管理向量存储

将项目添加到向量存储

import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "The powerhouse of the cell is the mitochondria",
  metadata: { source: "https://example.com" },
};

const document2: Document = {
  pageContent: "Buildings are made out of brick",
  metadata: { source: "https://example.com" },
};

const document3: Document = {
  pageContent: "Mitochondria are made out of lipids",
  metadata: { source: "https://example.com" },
};

const documents = [document1, document2, document3];

await vectorStore.addDocuments(documents);

查询向量存储

创建向量存储并添加相关文档后，您可能希望在运行您的链或代理时对其进行查询。

直接查询

可以按照以下步骤执行简单的相似度搜索

const filter = (doc) => doc.metadata.source === "https://example.com";

const similaritySearchResults = await vectorStore.similaritySearch(
  "biology",
  2,
  filter
);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}

* The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* Mitochondria are made out of lipids [{"source":"https://example.com"}]

过滤器是可选的，必须是一个谓词函数，该函数以文档作为输入，并根据文档是否应该返回而返回 true 或 false。

如果您想执行相似度搜索并接收相应的评分，您可以运行

const similaritySearchWithScoreResults =
  await vectorStore.similaritySearchWithScore("biology", 2, filter);

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(
    `* [SIM=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(
      doc.metadata
    )}]`
  );
}

* [SIM=0.165] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.148] Mitochondria are made out of lipids [{"source":"https://example.com"}]

通过转换为检索器进行查询

您还可以将向量存储转换为 检索器，以便在您的链中更轻松地使用它

const retriever = vectorStore.asRetriever({
  // Optional filter
  filter: filter,
  k: 2,
});

await retriever.invoke("biology");

[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Mitochondria are made out of lipids',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

最大边际相关性

此向量存储还支持最大边际相关性 (MMR)，这是一种首先使用经典相似度搜索获取更多结果（由 searchKwargs.fetchK 给出），然后针对多样性重新排名并返回前 k 个结果的技术。这有助于防止出现冗余信息

const mmrRetriever = vectorStore.asRetriever({
  searchType: "mmr",
  searchKwargs: {
    fetchK: 10,
  },
  // Optional filter
  filter: filter,
  k: 2,
});

await mmrRetriever.invoke("biology");

[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Buildings are made out of brick',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

用于检索增强生成的使用

有关如何将此向量存储用于检索增强生成 (RAG) 的指南，请参见以下部分

• 教程：使用外部知识.
• 操作指南：使用 RAG 进行问答
• 检索概念文档

API 参考

有关所有 MemoryVectorStore 功能和配置的详细文档，请访问 API 参考。

相关

• 向量存储 概念指南
• 向量存储 操作指南