跳到主要内容

MemoryVectorStore

LangChain 提供了一个内存中的、短暂的向量存储，它在内存中存储嵌入向量，并对最相似的嵌入向量进行精确的线性搜索。默认的相似性度量是余弦相似度，但可以更改为 ml-distance 支持的任何相似性度量。

由于它是为演示而设计的，因此尚不支持 ID 或删除。

本指南概述了如何开始使用内存中的 vector stores。有关所有 MemoryVectorStore 功能和配置的详细文档，请访问 API 参考。

概述​

集成详情​

类包PY 支持最新包
MemoryVectorStorelangchain❌NPM - Version

设置​

要使用内存向量存储，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

有关安装集成包的一般说明，请参阅此部分。

yarn add langchain @langchain/openai @langchain/core

凭证​

使用内存向量存储不需要任何凭证。

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

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您想获得模型调用的自动追踪，您还可以设置您的 LangSmith API 密钥，取消注释下面即可

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_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​

向向量存储添加项目​

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​

一旦您的向量存储被创建并且相关的文档被添加，您很可能希望在您的链或 Agent 运行时查询它。

直接查询​

执行简单的相似性搜索可以按如下方式完成

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，并且必须是一个谓词函数，它接受一个文档作为输入，并返回 true 或 false，具体取决于是否应返回该文档。

如果您想执行相似性搜索并接收相应的分数，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，以便在您的链中更易于使用

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性搜索获取大量结果（由 searchKwargs.fetchK 给出），然后重新排序以实现多样性并返回前 k 个结果的技术。这有助于防止冗余信息

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
  }
]

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，请参阅以下部分

API 参考​

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

此页面是否有帮助？


您也可以留下详细的反馈 在 GitHub 上.