langchain_community.cache
.AzureCosmosDBSemanticCache¶
- class langchain_community.cache.AzureCosmosDBSemanticCache(cosmosdb_connection_string: str, database_name: str, collection_name: str, embedding: Embeddings, *, cosmosdb_client: Optional[Any] = None, num_lists: int = 100, similarity: CosmosDBSimilarityType = CosmosDBSimilarityType.COS, kind: CosmosDBVectorSearchType = CosmosDBVectorSearchType.VECTOR_IVF, dimensions: int = 1536, m: int = 16, ef_construction: int = 64, ef_search: int = 40, score_threshold: Optional[float] = None, application_name: str = 'LANGCHAIN_CACHING_PYTHON')[source]¶
使用Cosmos DB Mongo vCore向量存储后端的缓存
Args: cosmosdb_connection_string: Cosmos DB Mongo vCore连接字符串 cosmosdb_client: Cosmos DB Mongo vCore客户端 embedding (Embedding): 用于语义编码和搜索的嵌入提供程序。 database_name: CosmosDBMongoVCoreSemanticCache的数据库名称 collection_name: CosmosDBMongoVCoreSemanticCache的集合名称 num_lists: 这个整数是倒排文件(IVF)索引用来对向量数据进行分组的簇的数量。
我们建议将numLists设置为documentCount/1000,用于最多100万个文档, 并将其设置为sqrt(documentCount),用于超过100万个文档。 使用numLists值为1相当于执行蛮力搜索,性能有限。
- dimensions: 向量相似性的维度数。
支持的最大维度数为2000
similarity: 与IVF索引一起使用的相似性度量。
- 可能的选项有:
CosmosDBSimilarityType.COS(余弦距离),
CosmosDBSimilarityType.L2(欧氏距离),以及
CosmosDBSimilarityType.IP(内积)。
- kind: 要创建的向量索引类型。
- 可能的选项有:
vector-ivf
- vector-hnsw:仅作为预览功能提供,
若要启用,请访问https://learn.microsoft.com/en-us/azure/azure-resource-manager/management/preview-features
m: 每层的最大连接数(默认为16,最小值为2,最大值为100)。较高的m适用于具有高维度和/或高准确性要求的数据集。 ef_construction: 用于构建图的动态候选列表的大小(默认为64,最小值为4,最大值为1000)。较高的ef_construction将导致更好的索引质量和更高的准确性,但也会增加构建索引所需的时间。
ef_construction必须至少为2 * m
ef_search: 用于搜索的动态候选列表的大小(默认为40)。较高的值提供更好的召回率,但会降低速度。 score_threshold: 用于过滤向量搜索文档的最大分数。 application_name: 用于客户端跟踪和记录的应用程序名称
Attributes
DEFAULT_COLLECTION_NAME
DEFAULT_DATABASE_NAME
Methods
__init__
(cosmosdb_connection_string, ...[, ...])Args: cosmosdb_connection_string: Cosmos DB Mongo vCore连接字符串 cosmosdb_client: Cosmos DB Mongo vCore客户端 embedding (Embedding): 用于语义编码和搜索的嵌入提供程序。 database_name: CosmosDBMongoVCoreSemanticCache的数据库名称 collection_name: CosmosDBMongoVCoreSemanticCache的集合名称 num_lists: 这个整数是倒排文件(IVF)索引用来对向量数据进行分组的簇的数量。 我们建议将numLists设置为documentCount/1000,用于最多100万个文档, 并将其设置为sqrt(documentCount),用于超过100万个文档。 使用numLists值为1相当于执行蛮力搜索,性能有限。 dimensions: 向量相似性的维度数。 支持的最大维度数为2000 similarity: 与IVF索引一起使用的相似性度量。
aclear
(**kwargs)清除可以接受额外关键字参数的缓存。
alookup
(prompt, llm_string)根据提示和llm_string进行查找。
aupdate
(prompt, llm_string, return_val)根据提示和llm_string更新缓存。
clear
(**kwargs)清除给定llm_string的语义缓存。
lookup
(prompt, llm_string)根据提示和llm_string进行查找。
update
(prompt, llm_string, return_val)根据提示和llm_string更新缓存。
- Parameters
cosmosdb_connection_string (str) –
database_name (str) –
collection_name (str) –
embedding (Embeddings) –
cosmosdb_client (Optional[Any]) –
num_lists (int) –
similarity (CosmosDBSimilarityType) –
kind (CosmosDBVectorSearchType) –
dimensions (int) –
m (int) –
ef_construction (int) –
ef_search (int) –
score_threshold (Optional[float]) –
application_name (str) –
- __init__(cosmosdb_connection_string: str, database_name: str, collection_name: str, embedding: Embeddings, *, cosmosdb_client: Optional[Any] = None, num_lists: int = 100, similarity: CosmosDBSimilarityType = CosmosDBSimilarityType.COS, kind: CosmosDBVectorSearchType = CosmosDBVectorSearchType.VECTOR_IVF, dimensions: int = 1536, m: int = 16, ef_construction: int = 64, ef_search: int = 40, score_threshold: Optional[float] = None, application_name: str = 'LANGCHAIN_CACHING_PYTHON')[source]¶
Args: cosmosdb_connection_string: Cosmos DB Mongo vCore连接字符串 cosmosdb_client: Cosmos DB Mongo vCore客户端 embedding (Embedding): 用于语义编码和搜索的嵌入提供程序。 database_name: CosmosDBMongoVCoreSemanticCache的数据库名称 collection_name: CosmosDBMongoVCoreSemanticCache的集合名称 num_lists: 这个整数是倒排文件(IVF)索引用来对向量数据进行分组的簇的数量。
我们建议将numLists设置为documentCount/1000,用于最多100万个文档, 并将其设置为sqrt(documentCount),用于超过100万个文档。 使用numLists值为1相当于执行蛮力搜索,性能有限。
- dimensions: 向量相似性的维度数。
支持的最大维度数为2000
similarity: 与IVF索引一起使用的相似性度量。
- 可能的选项有:
CosmosDBSimilarityType.COS(余弦距离),
CosmosDBSimilarityType.L2(欧氏距离),以及
CosmosDBSimilarityType.IP(内积)。
- kind: 要创建的向量索引类型。
- 可能的选项有:
vector-ivf
- vector-hnsw:仅作为预览功能提供,
若要启用,请访问https://learn.microsoft.com/en-us/azure/azure-resource-manager/management/preview-features
m: 每层的最大连接数(默认为16,最小值为2,最大值为100)。较高的m适用于具有高维度和/或高准确性要求的数据集。 ef_construction: 用于构建图的动态候选列表的大小(默认为64,最小值为4,最大值为1000)。较高的ef_construction将导致更好的索引质量和更高的准确性,但也会增加构建索引所需的时间。
ef_construction必须至少为2 * m
ef_search: 用于搜索的动态候选列表的大小(默认为40)。较高的值提供更好的召回率,但会降低速度。 score_threshold: 用于过滤向量搜索文档的最大分数。 application_name: 用于客户端跟踪和记录的应用程序名称
- Parameters
cosmosdb_connection_string (str) –
database_name (str) –
collection_name (str) –
embedding (Embeddings) –
cosmosdb_client (Optional[Any]) –
num_lists (int) –
similarity (CosmosDBSimilarityType) –
kind (CosmosDBVectorSearchType) –
dimensions (int) –
m (int) –
ef_construction (int) –
ef_search (int) –
score_threshold (Optional[float]) –
application_name (str) –
- async aclear(**kwargs: Any) None ¶
清除可以接受额外关键字参数的缓存。
- Parameters
kwargs (Any) –
- Return type
None
- async alookup(prompt: str, llm_string: str) Optional[Sequence[Generation]] ¶
根据提示和llm_string进行查找。
期望缓存实现从提示和llm_string的2元组中生成一个键(例如,通过使用分隔符将它们连接起来)。
- 参数:
- prompt:提示的字符串表示。
对于Chat模型,提示是将提示序列化为语言模型的非平凡表示。
- llm_string:LLM配置的字符串表示。
这用于捕获LLM的调用参数 (例如,模型名称、温度、停止标记、最大标记等)。 这些调用参数被序列化为字符串表示。
- 返回:
在缓存未命中时,返回None。在缓存命中时,返回缓存的值。 缓存的值是Generations(或子类)的列表。
- Parameters
prompt (str) –
llm_string (str) –
- Return type
Optional[Sequence[Generation]]
- async aupdate(prompt: str, llm_string: str, return_val: Sequence[Generation]) None ¶
根据提示和llm_string更新缓存。
提示和llm_string用于生成缓存的键。 键应该与查找方法的键匹配。
- 参数:
- prompt:提示的字符串表示。
对于Chat模型,提示是将提示序列化为语言模型的非平凡表示。
- llm_string:LLM配置的字符串表示。
这用于捕获LLM的调用参数 (例如,模型名称、温度、停止标记、最大标记等)。 这些调用参数被序列化为字符串表示。
return_val:要缓存的值。该值是Generations的列表(或子类)。
- Parameters
prompt (str) –
llm_string (str) –
return_val (Sequence[Generation]) –
- Return type
None
- lookup(prompt: str, llm_string: str) Optional[Sequence[Generation]] [source]¶
根据提示和llm_string进行查找。
- Parameters
prompt (str) –
llm_string (str) –
- Return type
Optional[Sequence[Generation]]
- update(prompt: str, llm_string: str, return_val: Sequence[Generation]) None [source]¶
根据提示和llm_string更新缓存。
- Parameters
prompt (str) –
llm_string (str) –
return_val (Sequence[Generation]) –
- Return type
None