langchain_community.vectorstores.azuresearch
.AzureSearch¶
- class langchain_community.vectorstores.azuresearch.AzureSearch(azure_search_endpoint: str, azure_search_key: str, index_name: str, embedding_function: Union[Callable, Embeddings], search_type: str = 'hybrid', semantic_configuration_name: Optional[str] = None, fields: Optional[List[SearchField]] = None, vector_search: Optional[VectorSearch] = None, semantic_configurations: Optional[Union[SemanticConfiguration, List[SemanticConfiguration]]] = None, scoring_profiles: Optional[List[ScoringProfile]] = None, default_scoring_profile: Optional[str] = None, cors_options: Optional[CorsOptions] = None, **kwargs: Any)[source]¶
Azure Cognitive Search 向量存储。
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
(azure_search_endpoint, ...[, ...])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])将文本数据添加到现有索引中。
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AzureSearchVectorStoreRetriever。
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。
delete
([ids])根据向量ID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, ...])返回从文本和嵌入初始化的VectorStore。
hybrid_search
(query[, k])返回与查询文本最相似的索引文档。
hybrid_search_with_relevance_scores
(query[, k])hybrid_search_with_score
(query[, k, filters])使用混合查询返回与查询最相似的文档。
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。
semantic_hybrid_search
(query[, k])返回与查询文本最相似的索引文档。
semantic_hybrid_search_with_score
(query[, ...])返回与查询文本最相似的索引文档。
使用混合查询返回与查询最相似的文档。
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
(*args, **kwargs)使用距离进行相似性搜索。
vector_search
(query[, k])返回与查询文本最相似的索引文档。
vector_search_with_score
(query[, k, filters])返回与查询最相似的文档。
- Parameters
azure_search_endpoint (str) –
azure_search_key (str) –
index_name (str) –
embedding_function (Union[Callable, Embeddings]) –
search_type (str) –
semantic_configuration_name (Optional[str]) –
fields (Optional[List[SearchField]]) –
vector_search (Optional[VectorSearch]) –
semantic_configurations (Optional[Union[SemanticConfiguration, List[SemanticConfiguration]]]) –
scoring_profiles (Optional[List[ScoringProfile]]) –
default_scoring_profile (Optional[str]) –
cors_options (Optional[CorsOptions]) –
kwargs (Any) –
- __init__(azure_search_endpoint: str, azure_search_key: str, index_name: str, embedding_function: Union[Callable, Embeddings], search_type: str = 'hybrid', semantic_configuration_name: Optional[str] = None, fields: Optional[List[SearchField]] = None, vector_search: Optional[VectorSearch] = None, semantic_configurations: Optional[Union[SemanticConfiguration, List[SemanticConfiguration]]] = None, scoring_profiles: Optional[List[ScoringProfile]] = None, default_scoring_profile: Optional[str] = None, cors_options: Optional[CorsOptions] = None, **kwargs: Any)[source]¶
- Parameters
azure_search_endpoint (str) –
azure_search_key (str) –
index_name (str) –
embedding_function (Union[Callable, Embeddings]) –
search_type (str) –
semantic_configuration_name (Optional[str]) –
fields (Optional[List[SearchField]]) –
vector_search (Optional[VectorSearch]) –
semantic_configurations (Optional[Union[SemanticConfiguration, List[SemanticConfiguration]]]) –
scoring_profiles (Optional[List[ScoringProfile]]) –
default_scoring_profile (Optional[str]) –
cors_options (Optional[CorsOptions]) –
kwargs (Any) –
- 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, **kwargs: Any) List[str] [source]¶
将文本数据添加到现有索引中。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
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) AzureSearchVectorStoreRetriever [source]¶
返回从此VectorStore初始化的AzureSearchVectorStoreRetriever。
- 参数:
- search_type (Optional[str]): 定义Retriever应执行的搜索类型。
可以是”similarity”(默认值), “hybrid”, 或 “semantic_hybrid”。
- search_kwargs (Optional[Dict]): 传递给搜索函数的关键字参数。可以包括:
k: 返回的文档数量(默认值: 4) score_threshold: 相似性分数阈值的最小相关性阈值 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: 根据文档元数据进行过滤
- 返回:
AzureSearchVectorStoreRetriever: 用于VectorStore的Retriever类。
- 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]]
- delete(ids: Optional[List[str]] = None, **kwargs: Any) bool [source]¶
根据向量ID删除。
- 参数:
ids:要删除的ID列表。
- 返回:
bool:如果删除成功则为True,否则为False。
- Parameters
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
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, azure_search_endpoint: str = '', azure_search_key: str = '', index_name: str = 'langchain-index', fields: Optional[List[SearchField]] = None, **kwargs: Any) AzureSearch [source]¶
返回从文本和嵌入初始化的VectorStore。
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
azure_search_endpoint (str) –
azure_search_key (str) –
index_name (str) –
fields (Optional[List[SearchField]]) –
kwargs (Any) –
- Return type
- hybrid_search(query: str, k: int = 4, **kwargs: Any) List[Document] [source]¶
返回与查询文本最相似的索引文档。
- 参数:
query(str):要查找相似文档的查询文本。 k(int):要返回的文档数量。默认为4。
- 返回:
List[Document]:与查询文本最相似的文档列表。
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- hybrid_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) List[Tuple[Document, float]] [source]¶
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- hybrid_search_with_score(query: str, k: int = 4, filters: Optional[str] = None) List[Tuple[Document, float]] [source]¶
使用混合查询返回与查询最相似的文档。
- 参数:
query:要查找与之相似的文档的文本。 k:要返回的文档数量。默认为4。
- 返回:
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) –
filters (Optional[str]) –
- Return type
List[Tuple[Document, float]]
- max_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]
- max_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。
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,其中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
embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
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]
- semantic_hybrid_search(query: str, k: int = 4, **kwargs: Any) List[Document] [source]¶
返回与查询文本最相似的索引文档。
- 参数:
query(str):要查找相似文档的查询文本。 k(int):要返回的文档数量。默认为4。
- 返回:
List[Document]:与查询文本最相似的文档列表。
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- semantic_hybrid_search_with_score(query: str, k: int = 4, score_type: Literal['score', 'reranker_score'] = 'score', **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与查询文本最相似的索引文档。
- 参数:
query(str):要查找相似文档的查询文本。 k(int):要返回的文档数量。默认为4。 score_type:必须是“score”或“reranker_score”之一。
默认为“score”。
- 返回:
List[Tuple[Document, float]]:文档及其相应分数的列表。
- Parameters
query (str) –
k (int) –
score_type (Literal['score', 'reranker_score']) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- semantic_hybrid_search_with_score_and_rerank(query: str, k: int = 4, filters: Optional[str] = None) List[Tuple[Document, float, float]] [source]¶
使用混合查询返回与查询最相似的文档。
- 参数:
query:要查找与之相似的文档的文本。 k:要返回的文档数量。默认为4。
- 返回:
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) –
filters (Optional[str]) –
- Return type
List[Tuple[Document, float, float]]
- similarity_search(query: str, k: int = 4, **kwargs: Any) List[Document] [source]¶
返回与查询最相似的文档。
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- similarity_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。
- 参数:
embedding:要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。
- 返回:
与查询向量最相似的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) List[Tuple[Document, float]] [source]¶
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(*args: Any, **kwargs: Any) List[Tuple[Document, float]] ¶
使用距离进行相似性搜索。
- Parameters
args (Any) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]