langchain_community.vectorstores.awadb
.AwaDB¶
- class langchain_community.vectorstores.awadb.AwaDB(table_name: str = 'langchain_awadb', embedding: Optional[Embeddings] = None, log_and_data_dir: Optional[str] = None, client: Optional[awadb.Client] = None, **kwargs: Any)[source]¶
AwaDB 向量存储。
使用AwaDB客户端进行初始化。 如果未指定table_name, 将自动生成一个随机的table_name,格式为`_DEFAULT_TABLE_NAME + uuid的最后一段`。
- 参数:
table_name: 创建的表的名称,默认为_DEFAULT_TABLE_NAME。 embedding: 可选的初始嵌入。 log_and_data_dir: 可选的日志和数据的根目录。 client: 可选的AwaDB客户端。 kwargs: 未来可能扩展的任何参数。
- 返回:
无。
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
([table_name, embedding, ...])使用AwaDB客户端进行初始化。 如果未指定table_name, 将自动生成一个随机的table_name,格式为`_DEFAULT_TABLE_NAME + uuid的最后一段`。
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, is_duplicate_texts])运行更多文本通过嵌入并添加到向量存储中。 参数: texts:要添加到向量存储中的字符串的可迭代对象。 metadatas:可选的与文本相关联的元数据列表。 is_duplicate_texts:可选是否复制文本。默认为True。 kwargs:将来可能扩展的任何可能的参数。
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。
create_table
(table_name, **kwargs)创建一个新表。
delete
([ids])删除具有指定id的文档。
from_documents
(documents[, embedding, ...])从文档列表创建一个AwaDB向量存储。
from_texts
(texts[, embedding, metadatas, ...])从原始文档创建一个AwaDB向量存储。
get
([ids, text_in_page_content, ...])根据ids返回文档。
get_current_table
(**kwargs)获取当前表格。
list_tables
(**kwargs)列出客户端创建的所有表格。
load_local
(table_name, **kwargs)加载本地指定的表格。
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, ...])返回与查询最相似的文档。
similarity_search_by_vector
([embedding, k, ...])返回与嵌入向量最相似的文档。
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, ...])指定查询的最相似的 k 个文档及其得分。
update
(ids, texts[, metadatas])更新具有指定ID的文档。
use
(table_name, **kwargs)使用指定的表。如果不知道表,请调用list_tables。
- Parameters
table_name (str) –
embedding (Optional[Embeddings]) –
log_and_data_dir (Optional[str]) –
client (Optional[awadb.Client]) –
kwargs (Any) –
- Return type
None
- __init__(table_name: str = 'langchain_awadb', embedding: Optional[Embeddings] = None, log_and_data_dir: Optional[str] = None, client: Optional[awadb.Client] = None, **kwargs: Any) None [source]¶
使用AwaDB客户端进行初始化。 如果未指定table_name, 将自动生成一个随机的table_name,格式为`_DEFAULT_TABLE_NAME + uuid的最后一段`。
- 参数:
table_name: 创建的表的名称,默认为_DEFAULT_TABLE_NAME。 embedding: 可选的初始嵌入。 log_and_data_dir: 可选的日志和数据的根目录。 client: 可选的AwaDB客户端。 kwargs: 未来可能扩展的任何参数。
- 返回:
无。
- Parameters
table_name (str) –
embedding (Optional[Embeddings]) –
log_and_data_dir (Optional[str]) –
client (Optional[awadb.Client]) –
kwargs (Any) –
- Return type
None
- 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, is_duplicate_texts: Optional[bool] = None, **kwargs: Any) List[str] [source]¶
运行更多文本通过嵌入并添加到向量存储中。 参数:
texts:要添加到向量存储中的字符串的可迭代对象。 metadatas:可选的与文本相关联的元数据列表。 is_duplicate_texts:可选是否复制文本。默认为True。 kwargs:将来可能扩展的任何可能的参数。
- 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]]) –
is_duplicate_texts (Optional[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]]
- create_table(table_name: str, **kwargs: Any) bool [source]¶
创建一个新表。
- Parameters
table_name (str) –
kwargs (Any) –
- Return type
bool
- delete(ids: Optional[List[str]] = None, **kwargs: Any) Optional[bool] [source]¶
删除具有指定id的文档。
- 参数:
ids:嵌入向量的id。 **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]
- classmethod from_documents(documents: List[Document], embedding: Optional[Embeddings] = None, table_name: str = 'langchain_awadb', log_and_data_dir: Optional[str] = None, client: Optional[awadb.Client] = None, **kwargs: Any) AwaDB [source]¶
从文档列表创建一个AwaDB向量存储。
如果指定了log_and_data_dir,则表将持久化在那里。
- 参数:
documents (List[Document]): 要添加到向量存储的文档列表。 embedding (Optional[Embeddings]): 嵌入函数。默认为None。 table_name (str): 要创建的表的名称。 log_and_data_dir (Optional[str]): 持久化表的目录。 client (Optional[awadb.Client]): AwaDB客户端。 Any: 未来可能出现的任何参数
- 返回:
AwaDB: AwaDB向量存储。
- Parameters
documents (List[Document]) –
embedding (Optional[Embeddings]) –
table_name (str) –
log_and_data_dir (Optional[str]) –
client (Optional[awadb.Client]) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Optional[Embeddings] = None, metadatas: Optional[List[dict]] = None, table_name: str = 'langchain_awadb', log_and_data_dir: Optional[str] = None, client: Optional[awadb.Client] = None, **kwargs: Any) AwaDB [source]¶
从原始文档创建一个AwaDB向量存储。
- 参数:
texts (List[str]): 要添加到表中的文本列表。 embedding (Optional[Embeddings]): 嵌入函数。默认为None。 metadatas (Optional[List[dict]]): 元数据列表。默认为None。 table_name (str): 要创建的表的名称。 log_and_data_dir (Optional[str]): 日志和持久化目录。 client (Optional[awadb.Client]): AwaDB客户端
- 返回:
AwaDB: AwaDB向量存储。
- Parameters
texts (List[str]) –
embedding (Optional[Embeddings]) –
metadatas (Optional[List[dict]]) –
table_name (str) –
log_and_data_dir (Optional[str]) –
client (Optional[awadb.Client]) –
kwargs (Any) –
- Return type
- get(ids: Optional[List[str]] = None, text_in_page_content: Optional[str] = None, meta_filter: Optional[dict] = None, not_include_fields: Optional[Set[str]] = None, limit: Optional[int] = None, **kwargs: Any) Dict[str, Document] [source]¶
根据ids返回文档。
- 参数:
ids:嵌入向量的ids。 text_in_page_content:按文档的page_content中的文本进行过滤。 meta_filter:按文档的任何元数据进行过滤。 not_include_fields:不打包每个文档的指定字段。 limit:要返回的文档数量。默认为5。可选。
- 返回:
满足输入条件的文档。
- Parameters
ids (Optional[List[str]]) –
text_in_page_content (Optional[str]) –
meta_filter (Optional[dict]) –
not_include_fields (Optional[Set[str]]) –
limit (Optional[int]) –
kwargs (Any) –
- Return type
Dict[str, Document]
- list_tables(**kwargs: Any) List[str] [source]¶
列出客户端创建的所有表格。
- Parameters
kwargs (Any) –
- Return type
List[str]
- load_local(table_name: str, **kwargs: Any) bool [source]¶
加载本地指定的表格。
- 参数:
table_name: 表格名称 kwargs: 未来可能扩展的任何参数。
- 返回:
加载本地指定表格的成功或失败。
- Parameters
table_name (str) –
kwargs (Any) –
- Return type
bool
- max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, text_in_page_content: Optional[str] = None, meta_filter: Optional[dict] = 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。 text_in_page_content:按文档页面内容中的文本进行过滤。 meta_filter(可选[dict]):按元数据进行过滤。默认为None。
- 返回:
通过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) –
text_in_page_content (Optional[str]) –
meta_filter (Optional[dict]) –
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, text_in_page_content: Optional[str] = None, meta_filter: Optional[dict] = 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:要查找相似文档的嵌入。 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,0对应最大多样性,1对应最小多样性。默认为0.5。 text_in_page_content:按文档的page_content中的文本进行过滤。 meta_filter(可选[dict]):按元数据进行过滤。默认为None。
- 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) –
text_in_page_content (Optional[str]) –
meta_filter (Optional[dict]) –
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, text_in_page_content: Optional[str] = None, meta_filter: Optional[dict] = None, **kwargs: Any) List[Document] [source]¶
返回与查询最相似的文档。
- 参数:
query: 文本查询。 k: 要返回的文档的最大数量。 text_in_page_content: 按文档的page_content中的文本进行过滤。 meta_filter (Optional[dict]): 按元数据进行过滤。默认为None。 例如 {“color” : “red”, “price”: 4.20}。可选。 例如 {“max_price” : 15.66, “min_price”: 4.20} price`是元数据字段,表示范围过滤(4.20<’price’<15.66)。 例如 `{“maxe_price” : 15.66, “mine_price”: 4.20} `price`是元数据字段,表示范围过滤(4.20<=’price’<=15.66)。 kwargs: 未来可能的任何扩展参数。
- 返回:
返回与指定文本查询最相似的k个文档。
- Parameters
query (str) –
k (int) –
text_in_page_content (Optional[str]) –
meta_filter (Optional[dict]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: Optional[List[float]] = None, k: int = 4, text_in_page_content: Optional[str] = None, meta_filter: Optional[dict] = None, not_include_fields_in_metadata: Optional[Set[str]] = None, **kwargs: Any) List[Document] [source]¶
返回与嵌入向量最相似的文档。
- 参数:
embedding: 要查找相似文档的嵌入。 k: 要返回的文档数量。默认为4。 text_in_page_content: 按文档的page_content中的文本进行过滤。 meta_filter: 按元数据进行过滤。默认为None。 not_incude_fields_in_metadata: 不包括每个文档的元字段。
- 返回:
与查询向量最相似的文档列表。
- Parameters
embedding (Optional[List[float]]) –
k (int) –
text_in_page_content (Optional[str]) –
meta_filter (Optional[dict]) –
not_include_fields_in_metadata (Optional[Set[str]]) –
kwargs (Any) –
- Return type
List[Document]
- 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, text_in_page_content: Optional[str] = None, meta_filter: Optional[dict] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
指定查询的最相似的 k 个文档及其得分。
- 参数:
query: 文本查询。 k: 与文本查询最相似的前 k 个文档。 text_in_page_content: 根据文档的 page_content 中的文本进行过滤。 meta_filter: 根据元数据进行过滤。默认为 None。 kwargs: 未来可能扩展的任何参数。
- 返回:
指定文本查询的前 k 个最相似的文档。 0 表示不相似,1 表示最相似。
- Parameters
query (str) –
k (int) –
text_in_page_content (Optional[str]) –
meta_filter (Optional[dict]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- update(ids: List[str], texts: Iterable[str], metadatas: Optional[List[dict]] = None, **kwargs: Any) List[str] [source]¶
更新具有指定ID的文档。
- 参数:
ids:要更新嵌入向量的ID列表。 texts:要更新文档的文本。 metadatas:要更新文档的元数据。
- 返回:
更新文档的ID。
- Parameters
ids (List[str]) –
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
kwargs (Any) –
- Return type
List[str]