langchain_community.vectorstores.aerospike
.Aerospike¶
- class langchain_community.vectorstores.aerospike.Aerospike(client: Client, embedding: Union[Embeddings, Callable], namespace: str, index_name: Optional[str] = None, vector_key: str = '_vector', text_key: str = '_text', id_key: str = '_id', set_name: Optional[str] = None, distance_strategy: Optional[Union[DistanceStrategy, VectorDistanceMetric]] = DistanceStrategy.EUCLIDEAN_DISTANCE)[source]¶
`Aerospike`向量存储。
要使用,您应该安装``aerospike_vector_search`` python包。
使用Aerospike客户端进行初始化。
- 参数:
client: Aerospike客户端。 embedding: 用于嵌入文本的Embeddings对象或可调用对象(已弃用)。 namespace: 用于存储向量的命名空间。这应该与 index_name: 在Aerospike中先前创建的索引的名称。这 vector_key: 用于元数据中向量的键。这应该与
在索引创建期间使用的键相匹配。
text_key: 用于元数据中文本的键。 id_key: 用于元数据中id的键。 set_name: 用于存储向量的默认集合名称。 distance_strategy: 用于相似性搜索的距离策略
这应该与在索引创建期间使用的距离策略相匹配。
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
(client, embedding, namespace[, ...])使用Aerospike客户端进行初始化。
aadd_documents
(documents, **kwargs)运行更多的文档通过嵌入并添加到向量存储中。
aadd_texts
(texts[, metadatas])运行更多的文本通过嵌入,并添加到向量存储中。
add_documents
(documents, **kwargs)运行更多的文档通过嵌入并添加到向量存储中。
add_texts
(texts[, metadatas, ids, set_name, ...])运行更多文本通过嵌入并添加到向量存储。
adelete
([ids])根据向量ID或其他条件进行删除。
afrom_documents
(documents, embedding, **kwargs)返回从文档和嵌入初始化的VectorStore。
afrom_texts
(texts, embedding[, metadatas])返回从文本和嵌入初始化的VectorStore。
amax_marginal_relevance_search
(query[, k, ...])返回使用最大边际相关性选择的文档。
返回使用最大边际相关性选择的文档。
as_retriever
(**kwargs)返回从此VectorStore初始化的VectorStoreRetriever。
asearch
(query, search_type, **kwargs)返回使用指定搜索类型的查询最相似的文档。
asimilarity_search
(query[, k])返回与查询最相似的文档。
asimilarity_search_by_vector
(embedding[, k])返回与嵌入向量最相似的文档。
返回文档和相关性分数在范围[0, 1]内,异步执行。
asimilarity_search_with_score
(*args, **kwargs)使用异步方式运行相似性搜索与距离。
convert_distance_strategy
(distance_strategy)将Aerospikes的距离策略转换为langchains的DistanceStrategy枚举。这是一个方便的方法,允许用户传入用于创建索引的相同距离度量。
delete
([ids, set_name])根据向量ID或其他条件删除。
from_documents
(documents, embedding, **kwargs)返回从文档和嵌入初始化的VectorStore。
from_texts
(texts, embedding[, metadatas, ...])这是一个用户友好的界面,可以实现以下功能:
max_marginal_relevance_search
(query[, k, ...])返回使用最大边际相关性选择的文档。
返回使用最大边际相关性选择的文档。
search
(query, search_type, **kwargs)返回使用指定搜索类型的查询最相似的文档。
similarity_search
(query[, k, metadata_keys, ...])返回与查询最相似的aerospike文档。
similarity_search_by_vector
(embedding[, k, ...])返回与嵌入向量最相似的文档。
similarity_search_by_vector_with_score
(embedding)返回与嵌入最相似的aerospike文档,以及分数。
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, ...])返回与查询最相似的aerospike文档,以及分数。
- Parameters
client (Client) –
embedding (Union[Embeddings, Callable]) –
namespace (str) –
index_name (Optional[str]) –
vector_key (str) –
text_key (str) –
id_key (str) –
set_name (Optional[str]) –
distance_strategy (Optional[Union[DistanceStrategy, VectorDistanceMetric]]) –
- __init__(client: Client, embedding: Union[Embeddings, Callable], namespace: str, index_name: Optional[str] = None, vector_key: str = '_vector', text_key: str = '_text', id_key: str = '_id', set_name: Optional[str] = None, distance_strategy: Optional[Union[DistanceStrategy, VectorDistanceMetric]] = DistanceStrategy.EUCLIDEAN_DISTANCE)[source]¶
使用Aerospike客户端进行初始化。
- 参数:
client: Aerospike客户端。 embedding: 用于嵌入文本的Embeddings对象或可调用对象(已弃用)。 namespace: 用于存储向量的命名空间。这应该与 index_name: 在Aerospike中先前创建的索引的名称。这 vector_key: 用于元数据中向量的键。这应该与
在索引创建期间使用的键相匹配。
text_key: 用于元数据中文本的键。 id_key: 用于元数据中id的键。 set_name: 用于存储向量的默认集合名称。 distance_strategy: 用于相似性搜索的距离策略
这应该与在索引创建期间使用的距离策略相匹配。
- Parameters
client (Client) –
embedding (Union[Embeddings, Callable]) –
namespace (str) –
index_name (Optional[str]) –
vector_key (str) –
text_key (str) –
id_key (str) –
set_name (Optional[str]) –
distance_strategy (Optional[Union[DistanceStrategy, VectorDistanceMetric]]) –
- async aadd_documents(documents: List[Document], **kwargs: Any) List[str] ¶
运行更多的文档通过嵌入并添加到向量存储中。
- 参数:
documents (List[Document]): 要添加到向量存储中的文档。
- 返回:
List[str]: 添加的文本的ID列表。
- Parameters
documents (List[Document]) –
kwargs (Any) –
- Return type
List[str]
- async aadd_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, **kwargs: Any) List[str] ¶
运行更多的文本通过嵌入,并添加到向量存储中。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
kwargs (Any) –
- Return type
List[str]
- add_documents(documents: List[Document], **kwargs: Any) List[str] ¶
运行更多的文档通过嵌入并添加到向量存储中。
- 参数:
documents (List[Document]): 要添加到向量存储中的文档。
- 返回:
List[str]: 添加的文本的ID列表。
- Parameters
documents (List[Document]) –
kwargs (Any) –
- Return type
List[str]
- add_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, set_name: Optional[str] = None, embedding_chunk_size: int = 1000, index_name: Optional[str] = None, wait_for_index: bool = True, **kwargs: Any) List[str] [source]¶
运行更多文本通过嵌入并添加到向量存储。
- 参数:
texts:要添加到向量存储的字符串的可迭代对象。 metadatas:与文本相关联的元数据的可选列表。 ids:要与文本关联的可选id列表。 set_name:要将文本添加到的可选aerospike集名称。 batch_size:将文本添加到向量存储时要使用的批处理大小。 embedding_chunk_size:嵌入文本时要使用的块大小。 index_name:用于等待索引完成的可选aerospike索引名称。如果未提供,将使用默认的index_name。 wait_for_index:如果为True,则在返回之前等待所有文本被索引。需要提供index_name。默认为True。 **kwargs:要传递给客户端upsert调用的其他关键字参数。
- 返回:
将文本添加到向量存储中的id列表。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
set_name (Optional[str]) –
embedding_chunk_size (int) –
index_name (Optional[str]) –
wait_for_index (bool) –
kwargs (Any) –
- Return type
List[str]
- async adelete(ids: Optional[List[str]] = None, **kwargs: Any) Optional[bool] ¶
根据向量ID或其他条件进行删除。
- 参数:
ids:要删除的ID列表。 **kwargs:子类可能使用的其他关键字参数。
- 返回:
Optional[bool]:如果删除成功则为True,否则为False,如果未实现则为None。
- Parameters
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
Optional[bool]
- async classmethod afrom_documents(documents: List[Document], embedding: Embeddings, **kwargs: Any) VST ¶
返回从文档和嵌入初始化的VectorStore。
- Parameters
documents (List[Document]) –
embedding (Embeddings) –
kwargs (Any) –
- Return type
VST
- async classmethod afrom_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, **kwargs: Any) VST ¶
返回从文本和嵌入初始化的VectorStore。
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
kwargs (Any) –
- Return type
VST
- async amax_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) List[Document] ¶
返回使用最大边际相关性选择的文档。
最大边际相关性优化了与查询的相似性和所选文档之间的多样性。
- 参数:
query:要查找类似文档的文本。 k:要返回的文档数量。默认为4。 fetch_k:要获取以传递给MMR算法的文档数量。 lambda_mult:0到1之间的数字,确定结果之间多样性的程度,0对应最大多样性,1对应最小多样性。默认为0.5。
- 返回:
由最大边际相关性选择的文档列表。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
kwargs (Any) –
- Return type
List[Document]
- async amax_marginal_relevance_search_by_vector(embedding: List[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) List[Document] ¶
返回使用最大边际相关性选择的文档。
- Parameters
embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
kwargs (Any) –
- Return type
List[Document]
- as_retriever(**kwargs: Any) VectorStoreRetriever ¶
返回从此VectorStore初始化的VectorStoreRetriever。
- 参数:
- search_type(可选[str]):定义Retriever应执行的搜索类型。
可以是”similarity”(默认值)、”mmr”或”similarity_score_threshold”。
- search_kwargs(可选[Dict]):传递给搜索函数的关键字参数。可以包括:
k:要返回的文档数量(默认值:4) score_threshold:用于similarity_score_threshold的最小相关性阈值 fetch_k:传递给MMR算法的文档数量(默认值:20) lambda_mult:MMR返回结果的多样性;1表示最小多样性,0表示最大多样性(默认值:0.5) filter:按文档元数据筛选
- 返回:
VectorStoreRetriever:VectorStore的Retriever类。
示例:
# 检索更多具有更高多样性的文档 # 如果数据集中有许多相似的文档,则很有用 docsearch.as_retriever( search_type="mmr", search_kwargs={'k': 6, 'lambda_mult': 0.25} ) # 为MMR算法考虑更多文档 # 但只返回前5个 docsearch.as_retriever( search_type="mmr", search_kwargs={'k': 5, 'fetch_k': 50} ) # 仅检索具有特定阈值以上相关性分数的文档 docsearch.as_retriever( search_type="similarity_score_threshold", search_kwargs={'score_threshold': 0.8} ) # 仅从数据集中获取最相似的单个文档 docsearch.as_retriever(search_kwargs={'k': 1}) # 使用筛选器仅从特定论文中检索文档 docsearch.as_retriever( search_kwargs={'filter': {'paper_title':'GPT-4 Technical Report'}} )
- Parameters
kwargs (Any) –
- Return type
- async asearch(query: str, search_type: str, **kwargs: Any) List[Document] ¶
返回使用指定搜索类型的查询最相似的文档。
- Parameters
query (str) –
search_type (str) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search(query: str, k: int = 4, **kwargs: Any) List[Document] ¶
返回与查询最相似的文档。
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search_by_vector(embedding: List[float], k: int = 4, **kwargs: Any) List[Document] ¶
返回与嵌入向量最相似的文档。
- Parameters
embedding (List[float]) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) List[Tuple[Document, float]] ¶
返回文档和相关性分数在范围[0, 1]内,异步执行。
0表示不相似,1表示最相似。
- 参数:
query:输入文本 k:要返回的文档数量。默认为4。 **kwargs:要传递给相似性搜索的kwargs。应包括:
score_threshold:可选,介于0到1之间的浮点值,用于过滤检索到的文档集
- 返回:
元组列表(doc,相似度分数)的列表
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- async asimilarity_search_with_score(*args: Any, **kwargs: Any) List[Tuple[Document, float]] ¶
使用异步方式运行相似性搜索与距离。
- Parameters
args (Any) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- static convert_distance_strategy(distance_strategy: Union[VectorDistanceMetric, DistanceStrategy]) DistanceStrategy [source]¶
将Aerospikes的距离策略转换为langchains的DistanceStrategy枚举。这是一个方便的方法,允许用户传入用于创建索引的相同距离度量。
- Parameters
distance_strategy (Union[VectorDistanceMetric, DistanceStrategy]) –
- Return type
- delete(ids: Optional[List[str]] = None, set_name: Optional[str] = None, **kwargs: Any) Optional[bool] [source]¶
根据向量ID或其他条件删除。
- 参数:
ids:要删除的ID列表。 **kwargs:传递给客户端删除调用的其他关键字参数。
- 返回:
Optional[bool]:如果删除成功则为True,否则为False,如果未实现则为None。
- Parameters
ids (Optional[List[str]]) –
set_name (Optional[str]) –
kwargs (Any) –
- Return type
Optional[bool]
- classmethod from_documents(documents: List[Document], embedding: Embeddings, **kwargs: Any) VST ¶
返回从文档和嵌入初始化的VectorStore。
- Parameters
documents (List[Document]) –
embedding (Embeddings) –
kwargs (Any) –
- Return type
VST
- classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, client: Client = None, namespace: str = 'test', index_name: Optional[str] = None, ids: Optional[List[str]] = None, embeddings_chunk_size: int = 1000, client_kwargs: Optional[dict] = None, **kwargs: Any) Aerospike [source]¶
- 这是一个用户友好的界面,可以实现以下功能:
嵌入文本。
将文本转换为文档。
将文档添加到提供的Aerospike索引中。
这旨在是一个快速入门的方式。
- 示例:
from langchain_community.vectorstores import Aerospike from langchain_openai import OpenAIEmbeddings from aerospike_vector_search import Client, HostPort client = Client(seeds=HostPort(host="localhost", port=5000)) aerospike = Aerospike.from_texts( ["foo", "bar", "baz"], embedder, client, "namespace", index_name="index", vector_key="vector", distance_strategy=MODEL_DISTANCE_CALC, )
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
client (Client) –
namespace (str) –
index_name (Optional[str]) –
ids (Optional[List[str]]) –
embeddings_chunk_size (int) –
client_kwargs (Optional[dict]) –
kwargs (Any) –
- Return type
- max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, metadata_keys: Optional[List[str]] = None, index_name: Optional[str] = None, **kwargs: Any) List[Document] [source]¶
返回使用最大边际相关性选择的文档。
最大边际相关性优化了与查询的相似性和所选文档之间的多样性。
- 参数:
query:要查找相似文档的文本。 k:要返回的文档数量。默认为4。 fetch_k:要获取的文档数量以传递给MMR算法。 lambda_mult:0到1之间的数字,确定结果之间多样性的程度,
其中0对应于最大多样性,1对应于最小多样性。 默认为0.5。
index_name:要搜索的索引名称。
- 返回:
由最大边际相关性选择的文档列表。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
metadata_keys (Optional[List[str]]) –
index_name (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- max_marginal_relevance_search_by_vector(embedding: List[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, metadata_keys: Optional[List[str]] = None, index_name: Optional[str] = None, **kwargs: Any) List[Document] [source]¶
返回使用最大边际相关性选择的文档。
最大边际相关性优化了与查询的相似性和所选文档之间的多样性。
- 参数:
embedding: 查找与之相似的文档的嵌入。 k: 要返回的文档数量。默认为4。 fetch_k: 要获取以传递给MMR算法的文档数量。 lambda_mult: 介于0和1之间的数字,确定结果之间多样性的程度,其中0对应最大多样性,1对应最小多样性。默认为0.5。 metadata_keys: 要与文档一起返回的元数据键列表。如果为None,则将返回所有元数据键。默认为None。 index_name: 要搜索的索引的可选名称。覆盖默认的index_name。
- 返回:
通过最大边际相关性选择的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
metadata_keys (Optional[List[str]]) –
index_name (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- search(query: str, search_type: str, **kwargs: Any) List[Document] ¶
返回使用指定搜索类型的查询最相似的文档。
- Parameters
query (str) –
search_type (str) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search(query: str, k: int = 4, metadata_keys: Optional[List[str]] = None, index_name: Optional[str] = None, **kwargs: Any) List[Document] [source]¶
返回与查询最相似的aerospike文档。
- 参数:
query:要查找类似文档的文本。 k:要返回的文档数量。默认为4。 metadata_keys:要与文档一起返回的元数据键列表。
如果为None,则将返回所有元数据键。默认为None。
index_name:要搜索的索引的可选名称。覆盖默认的index_name。
- 返回:
与查询最相似的文档列表,以及每个文档的得分。
- Parameters
query (str) –
k (int) –
metadata_keys (Optional[List[str]]) –
index_name (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 4, metadata_keys: Optional[List[str]] = None, index_name: Optional[str] = None, **kwargs: Any) List[Document] [source]¶
返回与嵌入向量最相似的文档。
- 参数:
embedding: 要查找与之相似文档的嵌入。 k: 要返回的文档数量。默认为4。 metadata_keys: 要与文档一起返回的元数据键列表。
如果为None,则将返回所有元数据键。默认为None。
- index_name: 要搜索的索引名称。覆盖默认的
index_name。
kwargs: 传递给搜索方法的其他关键字参数。
- 返回:
与查询向量最相似的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
metadata_keys (Optional[List[str]]) –
index_name (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector_with_score(embedding: List[float], k: int = 4, metadata_keys: Optional[List[str]] = None, index_name: Optional[str] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与嵌入最相似的aerospike文档,以及分数。
- 参数:
embedding:要查找类似文档的嵌入。 k:要返回的文档数量。默认为4。 metadata_keys:要与文档一起返回的元数据键列表。
如果为None,则将返回所有元数据键。默认为None。
- index_name:要搜索的索引名称。覆盖默认的
index_name。
- kwargs:传递给客户端的其他关键字参数
vector_search方法。
- 返回:
查询最相似的文档及相关分数的列表。
- Parameters
embedding (List[float]) –
k (int) –
metadata_keys (Optional[List[str]]) –
index_name (Optional[str]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- similarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) List[Tuple[Document, float]] ¶
返回文档和相关性得分在[0, 1]范围内。
0表示不相似,1表示最相似。
- 参数:
query:输入文本 k:要返回的文档数量。默认为4。 **kwargs:要传递给相似性搜索的kwargs。应包括:
score_threshold:可选,介于0到1之间的浮点值,用于过滤检索到的文档集
- 返回:
元组列表(doc,相似性得分)
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- similarity_search_with_score(query: str, k: int = 4, metadata_keys: Optional[List[str]] = None, index_name: Optional[str] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与查询最相似的aerospike文档,以及分数。
- 参数:
query:要查找类似文档的文本。 k:要返回的文档数量。默认为4。 metadata_keys:要与文档一起返回的元数据键列表。
如果为None,则将返回所有元数据键。默认为None。
index_name:要搜索的索引名称。覆盖默认的index_name。 kwargs:传递给搜索方法的其他关键字参数。
- 返回:
与查询最相似的文档列表及相关分数。
- Parameters
query (str) –
k (int) –
metadata_keys (Optional[List[str]]) –
index_name (Optional[str]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]