langchain_community.vectorstores.bagel
.Bagel¶
- class langchain_community.vectorstores.bagel.Bagel(cluster_name: str = 'langchain', client_settings: Optional[bagel.config.Settings] = None, embedding_function: Optional[Embeddings] = None, cluster_metadata: Optional[Dict] = None, client: Optional[bagel.Client] = None, relevance_score_fn: Optional[Callable[[float], float]] = None)[source]¶
Bagel.net
推理平台。要使用,您应该已安装``bagelML`` Python包。
- 示例:
from langchain_community.vectorstores import Bagel vectorstore = Bagel(cluster_name="langchain_store")
使用贝果客户端进行初始化
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
([cluster_name, client_settings, ...])使用贝果客户端进行初始化
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, embeddings])将文本与其对应的嵌入向量和可选元数据添加到Bagel集群中。
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。
delete
([ids])根据IDs删除。
删除集群。
from_documents
(documents[, embedding, ids, ...])创建一个Bagel向量存储,从一个文档列表中。
from_texts
(texts[, embedding, metadatas, ...])从文本列表中创建并初始化一个 Bagel 实例。
get
([ids, where, limit, offset, ...])获取集合。
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, where])使用Bagel运行相似性搜索。
similarity_search_by_vector
(embedding[, k, ...])返回与嵌入向量最相似的文档。
返回与嵌入向量最相似的文档及相似度分数。
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, where])运行使用Bagel进行相似性搜索,并返回带有相应相似性分数的文档。
update_document
(document_id, document)更新集群中的文档。
- Parameters
cluster_name (str) –
client_settings (Optional[bagel.config.Settings]) –
embedding_function (Optional[Embeddings]) –
cluster_metadata (Optional[Dict]) –
client (Optional[bagel.Client]) –
relevance_score_fn (Optional[Callable[[float], float]]) –
- Return type
None
- __init__(cluster_name: str = 'langchain', client_settings: Optional[bagel.config.Settings] = None, embedding_function: Optional[Embeddings] = None, cluster_metadata: Optional[Dict] = None, client: Optional[bagel.Client] = None, relevance_score_fn: Optional[Callable[[float], float]] = None) None [source]¶
使用贝果客户端进行初始化
- Parameters
cluster_name (str) –
client_settings (Optional[bagel.config.Settings]) –
embedding_function (Optional[Embeddings]) –
cluster_metadata (Optional[Dict]) –
client (Optional[bagel.Client]) –
relevance_score_fn (Optional[Callable[[float], float]]) –
- 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, ids: Optional[List[str]] = None, embeddings: Optional[List[List[float]]] = None, **kwargs: Any) List[str] [source]¶
将文本与其对应的嵌入向量和可选元数据添加到Bagel集群中。
- 参数:
texts(Iterable[str]):要添加的文本。 embeddings(Optional[List[float]):嵌入向量的列表。 metadatas(Optional[List[dict]):元数据的可选列表。 ids(Optional[List[str]):文本的唯一ID列表。
- 返回:
List[str]:表示已添加文本的唯一ID列表。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
embeddings (Optional[List[List[float]]]) –
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]]
- delete(ids: Optional[List[str]] = None, **kwargs: Any) None [source]¶
根据IDs删除。
- 参数:
ids:要删除的ID列表。
- Parameters
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
None
- classmethod from_documents(documents: List[Document], embedding: Optional[Embeddings] = None, ids: Optional[List[str]] = None, cluster_name: str = 'langchain', client_settings: Optional[bagel.config.Settings] = None, client: Optional[bagel.Client] = None, cluster_metadata: Optional[Dict] = None, **kwargs: Any) Bagel [source]¶
创建一个Bagel向量存储,从一个文档列表中。
- 参数:
documents (List[Document]): 要添加到Bagel向量存储中的Document对象列表。 embedding (Optional[List[float]]): 嵌入列表。 ids (Optional[List[str]]): ID列表。默认为None。 cluster_name (str): Bagel集群的名称。 client_settings (Optional[bagel.config.Settings]): 客户端设置。 client (Optional[bagel.Client]): Bagel客户端实例。 cluster_metadata (Optional[Dict]): 与Bagel集群相关的元数据。默认为None。
- 返回:
Bagel: Bagel向量存储。
- Parameters
documents (List[Document]) –
embedding (Optional[Embeddings]) –
ids (Optional[List[str]]) –
cluster_name (str) –
client_settings (Optional[bagel.config.Settings]) –
client (Optional[bagel.Client]) –
cluster_metadata (Optional[Dict]) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Optional[Embeddings] = None, metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, cluster_name: str = 'langchain', client_settings: Optional[bagel.config.Settings] = None, cluster_metadata: Optional[Dict] = None, client: Optional[bagel.Client] = None, text_embeddings: Optional[List[List[float]]] = None, **kwargs: Any) Bagel [source]¶
从文本列表中创建并初始化一个 Bagel 实例。
- 参数:
texts (List[str]): 要添加的文本内容列表。 cluster_name (str): Bagel 集群的名称。 client_settings (Optional[bagel.config.Settings]): 客户端设置。 cluster_metadata (Optional[Dict]): 集群的元数据。 embeddings (Optional[Embeddings]): 嵌入列表。 metadatas (Optional[List[dict]]): 元数据列表。 ids (Optional[List[str]]): 唯一 ID 列表。默认为 None。 client (Optional[bagel.Client]): Bagel 客户端实例。
- 返回:
Bagel: Bagel 向量存储。
- Parameters
texts (List[str]) –
embedding (Optional[Embeddings]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
cluster_name (str) –
client_settings (Optional[bagel.config.Settings]) –
cluster_metadata (Optional[Dict]) –
client (Optional[bagel.Client]) –
text_embeddings (Optional[List[List[float]]]) –
kwargs (Any) –
- Return type
- get(ids: Optional[OneOrMany[ID]] = None, where: Optional[Where] = None, limit: Optional[int] = None, offset: Optional[int] = None, where_document: Optional[WhereDocument] = None, include: Optional[List[str]] = None) Dict[str, Any] [source]¶
获取集合。
- Parameters
ids (Optional[OneOrMany[ID]]) –
where (Optional[Where]) –
limit (Optional[int]) –
offset (Optional[int]) –
where_document (Optional[WhereDocument]) –
include (Optional[List[str]]) –
- Return type
Dict[str, Any]
- 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]
- similarity_search(query: str, k: int = 5, where: Optional[Dict[str, str]] = None, **kwargs: Any) List[Document] [source]¶
使用Bagel运行相似性搜索。
- 参数:
query(str):要搜索相似文档/文本的查询文本。 k(int):要返回的结果数量。 where(Optional[Dict[str, str]]):用于缩小范围的元数据过滤器。
- 返回:
List[Document]:表示与查询文本最相似的文档对象列表。
- Parameters
query (str) –
k (int) –
where (Optional[Dict[str, str]]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 5, where: Optional[Dict[str, str]] = None, **kwargs: Any) List[Document] [source]¶
返回与嵌入向量最相似的文档。
- Parameters
embedding (List[float]) –
k (int) –
where (Optional[Dict[str, str]]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector_with_relevance_scores(query_embeddings: List[float], k: int = 5, where: Optional[Dict[str, str]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与嵌入向量最相似的文档及相似度分数。
- Parameters
query_embeddings (List[float]) –
k (int) –
where (Optional[Dict[str, 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 = 5, where: Optional[Dict[str, str]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
运行使用Bagel进行相似性搜索,并返回带有相应相似性分数的文档。
- 参数:
query (str): 要搜索相似文档的查询文本。 k (int): 要返回的结果数量。 where (Optional[Dict[str, str]]): 使用元数据进行过滤。
- 返回:
List[Tuple[Document, float]]: 元组列表,每个元组包含一个表示相似文档的Document对象和其对应的相似性分数。
- Parameters
query (str) –
k (int) –
where (Optional[Dict[str, str]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]