langchain_community.vectorstores.jaguar
.Jaguar¶
- class langchain_community.vectorstores.jaguar.Jaguar(pod: str, store: str, vector_index: str, vector_type: str, vector_dimension: int, url: str, embedding: Embeddings)[source]¶
Jaguar API 向量存储。
请参阅 http://www.jaguardb.com 请参阅 http://github.com/fserv/jaguar-sdk
- 示例:
from langchain_community.vectorstores.jaguar import Jaguar vectorstore = Jaguar( pod = 'vdb', store = 'mystore', vector_index = 'v', vector_type = 'cosine_fraction_float', vector_dimension = 1536, url='http://192.168.8.88:8080/fwww/', embedding=openai_model )
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
(pod, store, vector_index, ...)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])通过嵌入将文本添加到向量存储中。 参数: texts:要添加到jaguar向量存储中的文本字符串列表。 metadatas:与文本相关联的元数据的可选列表。 [{"m1": "v11", "m2": "v12", "m3": "v13", "filecol": "path_file1.jpg" }, {"m1": "v21", "m2": "v22", "m3": "v23", "filecol": "path_file2.jpg" }, {"m1": "v31", "m2": "v32", "m3": "v33", "filecol": "path_file3.jpg" }, {"m1": "v41", "m2": "v42", "m3": "v43", "filecol": "path_file4.jpg" }] kwargs:vector_index=向量索引名称 file_column=文件列名称
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。
clear
()删除jaguardb中的所有记录 参数:无 返回:无
count
()统计jaguardb中商店的记录数 参数:无参数 返回值:(int) 商店中记录的数量
create
(metadata_str, text_size)在后端数据库上创建向量存储 参数: metadata_str(str):列及其类型 返回: 如果成功则为True;如果不成功则为False
delete
(zids, **kwargs)通过零ID列表删除jaguardb中的记录 参数: pod(str):Pod的名称 ids(List[str]):作为字符串的zid列表 返回: 不返回任何内容
drop
()删除或移除JaguarDB中的一个存储库 参数:无参数 返回值:无
from_documents
(documents, embedding, **kwargs)返回从文档和嵌入初始化的VectorStore。
from_texts
(texts, embedding, url, pod, ...)返回从文本和嵌入初始化的VectorStore。
is_anomalous
(query, **kwargs)检测给定文本是否在数据集中异常 参数: query: 需要检测是否异常的文本 返回: True 或 False
login
([jaguar_api_key])使用jaguar_api_key登录到jaguardb服务器,或让self._jag找到一个密钥 参数: pod (str): Pod的名称 store (str): 向量存储的名称 可选 jaguar_api_key (str): 用户到jaguardb服务器的API密钥 返回: 如果成功则为True;如果不成功则为False
logout
()登出以清理资源 参数:无参数 返回:无
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。
prt
(msg)run
(query[, withFile])在JaguarDB中运行任何查询语句 参数: query (str): 要在JaguarDB中运行的查询语句 返回: 无效令牌返回None,或 JSON结果字符串
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, metadatas])返回与查询最相似的Jaguar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5。 where:在选择相似性时的where子句。例如,where可以是"rating > 3.0 and (state = 'NV' or state = 'CA')" 返回: 与查询最相似的文档列表
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, ...])返回与查询最相似的Jaguar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3。 lambda_val:混合搜索的词汇匹配参数。 where:在选择相似性中的where子句。例如,where可以是"rating > 3.0 and (state = 'NV' or state = 'CA')" args:传递给选择相似性的额外选项 kwargs:vector_index=vcol,vector_type=cosine_fraction_float 返回: 与查询最相似的文档列表,以及每个文档的分数。 元组列表(doc,similarity_score): [(doc,score),(doc,score),...]
- Parameters
pod (str) –
store (str) –
vector_index (str) –
vector_type (str) –
vector_dimension (int) –
url (str) –
embedding (Embeddings) –
- __init__(pod: str, store: str, vector_index: str, vector_type: str, vector_dimension: int, url: str, embedding: Embeddings)[source]¶
- Parameters
pod (str) –
store (str) –
vector_index (str) –
vector_type (str) –
vector_dimension (int) –
url (str) –
embedding (Embeddings) –
- 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: List[str], metadatas: Optional[List[dict]] = None, **kwargs: Any) List[str] [source]¶
通过嵌入将文本添加到向量存储中。 参数:
texts:要添加到jaguar向量存储中的文本字符串列表。 metadatas:与文本相关联的元数据的可选列表。
- [{“m1”: “v11”, “m2”: “v12”, “m3”: “v13”, “filecol”: “path_file1.jpg” },
{“m1”: “v21”, “m2”: “v22”, “m3”: “v23”, “filecol”: “path_file2.jpg” }, {“m1”: “v31”, “m2”: “v32”, “m3”: “v33”, “filecol”: “path_file3.jpg” }, {“m1”: “v41”, “m2”: “v42”, “m3”: “v43”, “filecol”: “path_file4.jpg” }]
- kwargs:vector_index=向量索引名称
file_column=文件列名称
- 返回:
将文本添加到向量存储中的ID列表。
- Parameters
texts (List[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) 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(metadata_str: str, text_size: int) None [source]¶
在后端数据库上创建向量存储 参数:
metadata_str(str):列及其类型
- 返回:
如果成功则为True;如果不成功则为False
- Parameters
metadata_str (str) –
text_size (int) –
- Return type
None
- delete(zids: List[str], **kwargs: Any) None [source]¶
通过零ID列表删除jaguardb中的记录 参数:
pod(str):Pod的名称 ids(List[str]):作为字符串的zid列表
- 返回:
不返回任何内容
- Parameters
zids (List[str]) –
kwargs (Any) –
- Return type
None
- 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, url: str, pod: str, store: str, vector_index: str, vector_type: str, vector_dimension: int, metadatas: Optional[List[dict]] = None, jaguar_api_key: Optional[str] = '', **kwargs: Any) Jaguar [source]¶
返回从文本和嵌入初始化的VectorStore。
- Parameters
texts (List[str]) –
embedding (Embeddings) –
url (str) –
pod (str) –
store (str) –
vector_index (str) –
vector_type (str) –
vector_dimension (int) –
metadatas (Optional[List[dict]]) –
jaguar_api_key (Optional[str]) –
kwargs (Any) –
- Return type
- is_anomalous(query: str, **kwargs: Any) bool [source]¶
检测给定文本是否在数据集中异常 参数:
query: 需要检测是否异常的文本
- 返回:
True 或 False
- Parameters
query (str) –
kwargs (Any) –
- Return type
bool
- login(jaguar_api_key: Optional[str] = '') bool [source]¶
使用jaguar_api_key登录到jaguardb服务器,或让self._jag找到一个密钥 参数:
pod (str): Pod的名称 store (str): 向量存储的名称 可选 jaguar_api_key (str): 用户到jaguardb服务器的API密钥
- 返回:
如果成功则为True;如果不成功则为False
- Parameters
jaguar_api_key (Optional[str]) –
- Return type
bool
- 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]
- run(query: str, withFile: bool = False) dict [source]¶
在JaguarDB中运行任何查询语句 参数:
query (str): 要在JaguarDB中运行的查询语句
- 返回:
无效令牌返回None,或 JSON结果字符串
- Parameters
query (str) –
withFile (bool) –
- Return type
dict
- 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 = 3, where: Optional[str] = None, metadatas: Optional[List[str]] = None, **kwargs: Any) List[Document] [source]¶
返回与查询最相似的Jaguar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5。 where:在选择相似性时的where子句。例如,where可以是”rating > 3.0 and (state = ‘NV’ or state = ‘CA’)”
- 返回:
与查询最相似的文档列表
- Parameters
query (str) –
k (int) –
where (Optional[str]) –
metadatas (Optional[List[str]]) –
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]] ¶
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 = 3, fetch_k: int = - 1, where: Optional[str] = None, args: Optional[str] = None, metadatas: Optional[List[str]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与查询最相似的Jaguar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3。 lambda_val:混合搜索的词汇匹配参数。 where:在选择相似性中的where子句。例如,where可以是”rating > 3.0 and (state = ‘NV’ or state = ‘CA’)” args:传递给选择相似性的额外选项 kwargs:vector_index=vcol,vector_type=cosine_fraction_float
- 返回:
与查询最相似的文档列表,以及每个文档的分数。 元组列表(doc,similarity_score):
[(doc,score),(doc,score),…]
- Parameters
query (str) –
k (int) –
fetch_k (int) –
where (Optional[str]) –
args (Optional[str]) –
metadatas (Optional[List[str]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]