Skip to main content

Tigris

Tigris 是一个开源的无服务器 NoSQL 数据库和搜索平台，旨在简化构建高性能向量搜索应用程序。

Tigris 消除了管理、操作和同步多个工具的基础设施复杂性，使您能够专注于构建出色的应用程序。

本笔记将指导您如何将 Tigris 用作您的 VectorStore。

先决条件

  1. 一个 OpenAI 账户。您可以在这里注册账户。

  2. 注册免费的 Tigris 账户。注册 Tigris 账户后，创建一个名为 vectordemo 的新项目。然后，记下您在项目的应用密钥部分获取的 Uri、clientId 和 clientSecret。

让我们首先安装我们的依赖项：

%pip install --upgrade --quiet  tigrisdb openapi-schema-pydantic langchain-openai tiktoken

我们将在环境中加载 OpenAI api 密钥和 Tigris 凭据：

import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
os.environ["TIGRIS_PROJECT"] = getpass.getpass("Tigris Project Name:")
os.environ["TIGRIS_CLIENT_ID"] = getpass.getpass("Tigris Client Id:")
os.environ["TIGRIS_CLIENT_SECRET"] = getpass.getpass("Tigris Client Secret:")
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Tigris
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

初始化 Tigris 向量存储​

让我们导入我们的测试数据集：

loader = TextLoader("../../../state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
embeddings = OpenAIEmbeddings()
vector_store = Tigris.from_documents(docs, embeddings, index_name="my_embeddings")

相似性搜索​

query = "总统对Ketanji Brown Jackson有何看法"
found_docs = vector_store.similarity_search(query)
print(found_docs)

带分数的相似性搜索（向量距离）​

query = "总统对Ketanji Brown Jackson有何看法"
result = vector_store.similarity_search_with_score(query)
for doc, score in result:
    print(f"document={doc}, score={score}")

Was this page helpful?


You can leave detailed feedback on GitHub.