SurrealDB
SurrealDB 是一款端到端的云原生数据库，专为现代应用程序设计，包括 Web、移动、无服务器、Jamstack、后端和传统应用程序。使用 SurrealDB，您可以简化数据库和 API 基础架构，减少开发时间，并快速、经济高效地构建安全、高性能的应用程序。
SurrealDB 的主要特点包括：
减少开发时间： SurrealDB 通过消除大多数服务器端组件的需求，简化了数据库和 API 堆栈，使您能够更快、更便宜地构建安全、高性能的应用程序。
实时协作 API 后端服务： SurrealDB 既可以作为数据库，也可以作为 API 后端服务，实现实时协作。
支持多种查询语言： SurrealDB 支持客户端设备的 SQL 查询、GraphQL、ACID 事务、WebSocket 连接、结构化和非结构化数据、图形查询、全文索引和地理空间查询。
细粒度访问控制： SurrealDB 提供基于行级权限的访问控制，让您能够精确管理数据访问。
这篇笔记展示了如何使用与 SurrealDBStore 相关的功能。
设置
取消下面的单元格注释以安装 surrealdb。
# %pip install --upgrade --quiet surrealdb langchain langchain-community
使用 SurrealDBStore
# add this import for running in jupyter notebook
import nest_asyncio
nest_asyncio.apply()
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import SurrealDBStore
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_text_splitters import CharacterTextSplitter
documents = TextLoader("../../how_to/state_of_the_union.txt").load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
embeddings = HuggingFaceEmbeddings()
创建 SurrealDBStore 对象
db = SurrealDBStore(
dburl="ws://localhost:8000/rpc", # 托管 SurrealDB 数据库的 URL
embedding_function=embeddings,
db_user="root", # 如果需要 SurrealDB 凭据：数据库用户名
db_pass="root", # 如果需要 SurrealDB 凭据：数据库密码
# ns="langchain", # 用于 vectorstore 的命名空间
# db="database", # 用于 vectorstore 的数据库
# collection="documents", # 用于 vectorstore 的集合
)
# 这是为了初始化 SurrealDB 的底层异步库
await db.initialize()
# 从 vectorstore 集合中删除所有现有文档
await db.adelete()
# 将文档添加到 vectorstore
ids = await db.aadd_documents(docs)
# 添加文档的文档 ID
ids[:5]
['documents:38hz49bv1p58f5lrvrdc',
'documents:niayw63vzwm2vcbh6w2s',
'documents:it1fa3ktplbuye43n0ch',
'documents:il8f7vgbbp9tywmsn98c',
'documents:vza4c6cqje0avqd58gal']
（或者）创建 SurrealDBStore 对象并添加文档
await db.adelete()
db = await SurrealDBStore.afrom_documents(
dburl="ws://localhost:8000/rpc", # 托管 SurrealDB 数据库的 URL
embedding=embeddings,
documents=docs,
db_user="root", # 如果需要 SurrealDB 凭据：数据库用户名
db_pass="root", # 如果需要 SurrealDB 凭据：数据库密码
# ns="langchain", # 用于 vectorstore 的命名空间
# db="database", # 用于 vectorstore 的数据库
# collection="documents", # 用于 vectorstore 的集合
)
相似性搜索
query = "总统对 Ketanji Brown Jackson 有何看法"
docs = await db.asimilarity_search(query)
print(docs[0].page_content)
今晚。我呼吁参议院：通过《自由选举法》。通过《约翰·刘易斯选举权法案》。顺便说一句，通过《披露法》，这样美国人就可以知道谁在资助我们的选举。
今晚，我想向一个一生致力于为这个国家服务的人致敬：司法部长斯蒂芬·布雷耶——一名陆军退伍军人、宪法学者，也是美国最高法院即将退休的法官。布雷耶法官，感谢您的服务。
总统的最严肃宪法责任之一是提名某人担任美国最高法院的法官。
4 天前，我提名了联邦上诉法院法官 Ketanji Brown Jackson。她是我们国家顶尖的法律专家之一，将继续延续布雷耶法官的卓越传统。
返回的距离分数是余弦距离。因此，得分越低越好。
docs = await db.asimilarity_search_with_score(query)
docs[0]
(Document(page_content='今晚，我呼吁参议院：通过《自由选举法案》。通过《约翰·刘易斯选举权法案》。而且，顺便通过《披露法案》，这样美国人就可以知道谁在资助我们的选举。\n\n今晚，我想向一个致力于为这个国家服务的人致敬：司法部长斯蒂芬·布雷耶——一位陆军退伍军人、宪法学者和即将退休的美国最高法院法官。布雷耶法官，感谢您的服务。\n\n总统最重要的宪法责任之一是提名人选担任美国最高法院法官。\n\n我在4天前就这样做了，当时我提名了巡回上诉法院法官凯坦吉·布朗·杰克逊。她是我们国家顶尖的法律智慧之一，将继续延续布雷耶法官的卓越传统。', metadata={'id': 'documents:slgdlhjkfknhqo15xz0w', 'source': '../../how_to/state_of_the_union.txt'}),
0.39839531721941895)