MyScale

本页面介绍了如何在 LangChain 中使用 MyScale 向量数据库。

它分为两个部分：安装和设置，以及对特定 MyScale 包装器的引用。

使用 MyScale，您可以管理结构化和非结构化（向量化）数据，并使用 SQL 对这两种类型的数据进行联合查询和分析。此外，MyScale 基于 ClickHouse 构建的云原生 OLAP 架构，即使在海量数据集上也能实现闪电般快速的数据处理。

介绍

MyScale 和高性能向量搜索概述

您现在可以在我们的 SaaS 上注册并立即启动一个集群！

如果您还对我们如何将 SQL 和向量集成感兴趣，请参阅此文档以获取更多语法参考。

我们还提供了基于 huggingface 的实时演示！请查看我们的huggingface 空间！它们可以在瞬间搜索数百万个向量！

安装和设置

• 使用 pip install clickhouse-connect 安装 Python SDK

设置环境

有两种方法可以设置 myscale 索引的参数。

1. 环境变量

   在运行应用程序之前，请使用 export 设置环境变量：

   export MYSCALE_HOST='<your-endpoints-url>' MYSCALE_PORT=<your-endpoints-port> MYSCALE_USERNAME=<your-username> MYSCALE_PASSWORD=<your-password> ...

   您可以在我们的 SaaS 上轻松找到您的帐户、密码和其他信息。有关详细信息，请参阅此文档

   MyScaleSettings 下的每个属性都可以使用前缀 MYSCALE_ 进行设置，且不区分大小写。

2. 使用参数创建 MyScaleSettings 对象

   from langchain_community.vectorstores import MyScale, MyScaleSettings
   config = MyScaleSettings(host="<your-backend-url>", port=8443, ...)
   index = MyScale(embedding_function, config)
   index.add_documents(...)

包装器

支持的函数：

• add_texts

• add_documents

• from_texts

• from_documents

• similarity_search

• asimilarity_search

• similarity_search_by_vector

• asimilarity_search_by_vector

• similarity_search_with_relevance_scores

• delete

VectorStore

存在一个围绕 MyScale 数据库的包装器，允许您将其用作向量存储，

无论是用于语义搜索还是类似示例检索。

要导入此向量存储：

from langchain_community.vectorstores import MyScale

有关 MyScale 包装器的更详细演示，请参阅此笔记本