langchain_community.vectorstores.redis.base
.Redis¶
- class langchain_community.vectorstores.redis.base.Redis(redis_url: str, index_name: str, embedding: Embeddings, index_schema: Optional[Union[Dict[str, List[Dict[str, str]]], str, PathLike]] = None, vector_schema: Optional[Dict[str, Union[str, int]]] = None, relevance_score_fn: Optional[Callable[[float], float]] = None, key_prefix: Optional[str] = None, **kwargs: Any)[source]¶
Redis向量数据库。
要使用,应该安装``redis`` python包并运行Redis Enterprise或Redis-Stack服务器。
对于生产用例,建议使用Redis Enterprise,因为扩展性、性能、稳定性和可用性要比Redis-Stack好得多。
然而,对于测试和原型设计,并不需要这样做。Redis-Stack可作为Docker容器使用,提供完整的向量搜索API。
# 在本地Docker中运行redis stack docker run -d -p 6379:6379 -p 8001:8001 redis/redis-stack:latest
运行后,可以使用以下URL模式连接到redis服务器: - redis://<host>:<port> # 简单连接 - redis://<username>:<password>@<host>:<port> # 带身份验证的连接 - rediss://<host>:<port> # 带SSL连接 - rediss://<username>:<password>@<host>:<port> # 带SSL和身份验证的连接
示例:
以下示例展示了如何使用LangChain中的Redis VectorStore。
对于以下所有示例,假设我们有以下导入:
from langchain_community.vectorstores import Redis from langchain_community.embeddings import OpenAIEmbeddings
- 初始化、创建索引并加载文档
from langchain_community.vectorstores import Redis from langchain_community.embeddings import OpenAIEmbeddings rds = Redis.from_documents( documents, # 来自加载器或创建的Document对象列表 embeddings, # 一个Embeddings对象 redis_url="redis://localhost:6379", )
- 初始化、创建索引并加载带元数据的文档
rds = Redis.from_texts( texts, # 字符串列表 metadata, # 元数据字典列表 embeddings, # 一个Embeddings对象 redis_url="redis://localhost:6379", )
初始化、创建索引并加载带元数据的文档并返回键
rds, keys = Redis.from_texts_return_keys( texts, # 字符串列表 metadata, # 元数据字典列表 embeddings, # 一个Embeddings对象 redis_url="redis://localhost:6379", )
对于需要保持索引活动的用例,可以初始化一个索引名称,这样以后更容易引用
rds = Redis.from_texts( texts, # 字符串列表 metadata, # 元数据字典列表 embeddings, # 一个Embeddings对象 index_name="my-index", redis_url="redis://localhost:6379", )
初始化并连接到现有索引(来自上述)
# 必须从另一个索引传入schema和key_prefix existing_rds = Redis.from_existing_index( embeddings, # 一个Embeddings对象 index_name="my-index", schema=rds.schema, # 从另一个索引转储的schema key_prefix=rds.key_prefix, # 从另一个索引的键前缀 redis_url="redis://localhost:6379", )
高级示例:
可以提供自定义向量模式以更改Redis创建的底层向量模式。这对于生产用例很有用,可以优化向量模式以适应您的用例。例如,使用HNSW而不是默认的FLAT(knn)
vector_schema = { "algorithm": "HNSW" } rds = Redis.from_texts( texts, # 字符串列表 metadata, # 元数据字典列表 embeddings, # 一个Embeddings对象 vector_schema=vector_schema, redis_url="redis://localhost:6379", )
可以提供自定义索引模式以更改元数据的索引方式。如果想要使用Redis的混合查询(过滤)功能,这将很有用。
- 默认情况下,此实现将根据以下规则自动生成索引模式:
所有字符串都作为文本字段索引
所有数字都作为数值字段索引
所有字符串列表都作为标签字段索引(由langchain_community.vectorstores.redis.constants.REDIS_TAG_SEPARATOR连接)
所有None值不被索引,但仍存储在Redis中,这些值无法通过此接口检索,但可以使用原始Redis客户端检索。
所有其他类型不被索引
要覆盖这些规则,可以传入类似以下的自定义索引模式
tag: - name: credit_score text: - name: user - name: job
通常,“credit_score”字段应该是文本字段,因为它是一个字符串,但我们可以通过上面显示的yaml配置(也可以是字典)和下面的代码来指定字段类型以覆盖此行为。
rds = Redis.from_texts( texts, # 字符串列表 metadata, # 元数据字典列表 embeddings, # 一个Embeddings对象 index_schema="path/to/index_schema.yaml", # 也可以是字典 redis_url="redis://localhost:6379", )
当连接到应用了自定义模式的现有索引时,重要的是将相同的模式传递给``from_existing_index``方法。否则,新添加的样本的模式将不正确,并且元数据将不会被返回。
使用必要的组件初始化Redis向量存储。
Attributes
DEFAULT_VECTOR_SCHEMA
embeddings
如果可用,访问查询嵌入对象。
schema
返回索引的模式。
Methods
__init__
(redis_url, index_name, embedding[, ...])使用必要的组件初始化Redis向量存储。
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, embeddings, ...])向向量存储中添加更多文本。
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])删除Redis条目。
drop_index
(index_name, delete_documents, ...)删除一个Redis搜索索引。
from_documents
(documents, embedding, **kwargs)返回从文档和嵌入初始化的VectorStore。
from_existing_index
(embedding, index_name, ...)连接到现有的Redis索引。
from_texts
(texts, embedding[, metadatas, ...])从文本列表创建一个Redis向量存储。
from_texts_return_keys
(texts, embedding[, ...])从原始文档创建一个Redis向量存储。
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, filter, ...])运行相似性搜索
similarity_search_by_vector
(embedding[, k, ...])运行查询向量和索引向量之间的相似性搜索。
similarity_search_limit_score
(query[, k, ...])[Deprecated] 返回与查询文本在score_threshold范围内最相似的索引文档。
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, ...])运行使用 向量距离 进行相似性搜索。
write_schema
(path)将模式写入一个yaml文件。
- Parameters
redis_url (str) –
index_name (str) –
embedding (Embeddings) –
index_schema (Optional[Union[Dict[str, ListOfDict], str, os.PathLike]]) –
vector_schema (Optional[Dict[str, Union[str, int]]]) –
relevance_score_fn (Optional[Callable[[float], float]]) –
key_prefix (Optional[str]) –
kwargs (Any) –
- __init__(redis_url: str, index_name: str, embedding: Embeddings, index_schema: Optional[Union[Dict[str, List[Dict[str, str]]], str, PathLike]] = None, vector_schema: Optional[Dict[str, Union[str, int]]] = None, relevance_score_fn: Optional[Callable[[float], float]] = None, key_prefix: Optional[str] = None, **kwargs: Any)[source]¶
使用必要的组件初始化Redis向量存储。
- Parameters
redis_url (str) –
index_name (str) –
embedding (Embeddings) –
index_schema (Optional[Union[Dict[str, List[Dict[str, str]]], str, PathLike]]) –
vector_schema (Optional[Dict[str, Union[str, int]]]) –
relevance_score_fn (Optional[Callable[[float], float]]) –
key_prefix (Optional[str]) –
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, embeddings: Optional[List[List[float]]] = None, batch_size: int = 1000, clean_metadata: bool = True, **kwargs: Any) List[str] [source]¶
向向量存储中添加更多文本。
- 参数:
texts (Iterable[str]): 要添加到向量存储中的字符串/文本的可迭代对象。 metadatas (Optional[List[dict]], optional): 元数据的可选列表。默认为None。 embeddings (Optional[List[List[float]]], optional): 可选的预生成的嵌入。默认为None。 keys (List[str]) or ids (List[str]): 条目的标识符。默认为None。 batch_size (int, optional): 用于写入的批处理大小。默认为1000。
- 返回:
List[str]: 添加到向量存储中的id列表
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
embeddings (Optional[List[List[float]]]) –
batch_size (int) –
clean_metadata (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) RedisVectorStoreRetriever [source]¶
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 delete(ids: Optional[List[str]] = None, **kwargs: Any) bool [source]¶
删除Redis条目。
- 参数:
ids:要删除的id列表(在redis中的键)。 redis_url:Redis连接URL。这应该在kwargs中传递或设置为环境变量:REDIS_URL。
- 返回:
bool:删除是否成功。
- 引发:
ValueError:如果未安装redis python包。 ValueError:如果未提供ids(在redis中的键)。
- Parameters
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
bool
- static drop_index(index_name: str, delete_documents: bool, **kwargs: Any) bool [source]¶
删除一个Redis搜索索引。
- 参数:
index_name(str):要删除的索引名称。 delete_documents(bool):是否删除关联的文档。
- 返回:
bool:删除是否成功。
- Parameters
index_name (str) –
delete_documents (bool) –
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_existing_index(embedding: Embeddings, index_name: str, schema: Union[Dict[str, List[Dict[str, str]]], str, PathLike], key_prefix: Optional[str] = None, **kwargs: Any) Redis [source]¶
连接到现有的Redis索引。
- 示例:
from langchain_community.vectorstores import Redis from langchain_community.embeddings import OpenAIEmbeddings embeddings = OpenAIEmbeddings() # 必须从另一个索引中传递模式和键前缀 existing_rds = Redis.from_existing_index( embeddings, index_name="my-index", schema=rds.schema, # 从另一个索引中导出的模式 key_prefix=rds.key_prefix, # 从另一个索引中的键前缀 redis_url="redis://username:password@localhost:6379", )
- 参数:
embedding (Embeddings): 嵌入模型类(例如OpenAIEmbeddings)用于嵌入查询。 index_name (str): 要连接的索引的名称。 schema (Union[Dict[str, str], str, os.PathLike, Dict[str, ListOfDict]]):
索引和向量模式的模式。可以是字典或yaml文件的路径。
key_prefix (Optional[str]): 与此索引关联的Redis中所有键的前缀。 **kwargs (Any): 传递给Redis客户端的其他关键字参数。
- 返回:
Redis: Redis VectorStore实例。
- 引发:
ValueError: 如果索引不存在。 ImportError: 如果未安装redis python包。
- Parameters
embedding (Embeddings) –
index_name (str) –
schema (Union[Dict[str, List[Dict[str, str]]], str, PathLike]) –
key_prefix (Optional[str]) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, index_name: Optional[str] = None, index_schema: Optional[Union[Dict[str, List[Dict[str, str]]], str, PathLike]] = None, vector_schema: Optional[Dict[str, Union[str, int]]] = None, **kwargs: Any) Redis [source]¶
从文本列表创建一个Redis向量存储。
- 这是一个用户友好的接口,可以:
嵌入文档。
如果索引不存在,则创建一个新的Redis索引。
将文档添加到新创建的Redis索引中。
如果未定义`index_schema`,此方法将根据传入的元数据生成模式。如果定义了`index_schema`,它将与生成的模式进行比较,并在存在差异时发出警告。如果您有意为元数据定义模式,则可以忽略该警告。
要查看模式选项,请初始化此类的一个实例,并使用`Redis.schema`属性打印出模式。这将包括langchain模式中始终存在的content和content_vector类。
- 示例:
from langchain_community.vectorstores import Redis from langchain_community.embeddings import OpenAIEmbeddings embeddings = OpenAIEmbeddings() redisearch = RediSearch.from_texts( texts, embeddings, redis_url="redis://username:password@localhost:6379" )
- 参数:
texts (List[str]): 要添加到向量存储中的文本列表。 embedding (Embeddings): 嵌入模型类(例如OpenAIEmbeddings)用于嵌入查询。 metadatas (Optional[List[dict]], optional): 要添加到向量存储中的元数据字典的可选列表。默认为None。 index_name (Optional[str], optional): 要创建或添加的索引的可选名称。默认为None。 index_schema (Optional[Union[Dict[str, ListOfDict], str, os.PathLike]], optional): 要在元数据中索引的可选字段。覆盖生成的模式。默认为None。 vector_schema (Optional[Dict[str, Union[str, int]]], optional): 要使用的向量模式。默认为None。 **kwargs (Any): 要传递给Redis客户端的其他关键字参数。
- 返回:
Redis: Redis向量存储实例。
- 引发:
ValueError: 如果元数据的数量与文本的数量不匹配。 ImportError: 如果未安装redis python包。
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
index_name (Optional[str]) –
index_schema (Optional[Union[Dict[str, List[Dict[str, str]]], str, PathLike]]) –
vector_schema (Optional[Dict[str, Union[str, int]]]) –
kwargs (Any) –
- Return type
- classmethod from_texts_return_keys(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, index_name: Optional[str] = None, index_schema: Optional[Union[Dict[str, List[Dict[str, str]]], str, PathLike]] = None, vector_schema: Optional[Dict[str, Union[str, int]]] = None, **kwargs: Any) Tuple[Redis, List[str]] [source]¶
从原始文档创建一个Redis向量存储。
- 这是一个用户友好的接口,它:
嵌入文档。
如果索引不存在,则创建一个新的Redis索引。
将文档添加到新创建的Redis索引中。
存储后返回新创建文档的键。
如果未定义`index_schema`,此方法将根据传入的元数据生成模式。如果定义了`index_schema`,它将与生成的模式进行比较,并在存在差异时发出警告。如果您有意为元数据定义模式,则可以忽略该警告。
要查看模式选项,请初始化此类的一个实例,并使用`Redis.schema`属性打印模式。这将包括始终存在于langchain模式中的content和content_vector类。
- 示例:
from langchain_community.vectorstores import Redis from langchain_community.embeddings import OpenAIEmbeddings embeddings = OpenAIEmbeddings() redis, keys = Redis.from_texts_return_keys( texts, embeddings, redis_url="redis://localhost:6379" )
- 参数:
texts(List[str]):要添加到向量存储中的文本列表。 embedding(Embeddings):用于向量存储的嵌入。 metadatas(Optional[List[dict],可选):要添加到向量存储中的元数据字典的可选列表。默认为None。 index_name(Optional[str],可选):要创建或添加的索引的可选名称。默认为None。 index_schema(Optional[Union[Dict[str,ListOfDict],str,os.PathLike],可选):要在元数据中索引的可选字段。覆盖生成的模式。默认为None。 vector_schema(Optional[Dict[str,Union[str,int]],可选):要使用的向量模式。默认为None。 **kwargs(Any):传递给Redis客户端的其他关键字参数。
- 返回:
Tuple[Redis,List[str]]:Redis实例和新创建文档的键的元组。
- Raises:
ValueError:如果元数据的数量与文本的数量不匹配。
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
index_name (Optional[str]) –
index_schema (Optional[Union[Dict[str, List[Dict[str, str]]], str, PathLike]]) –
vector_schema (Optional[Dict[str, Union[str, int]]]) –
kwargs (Any) –
- Return type
Tuple[Redis, List[str]]
- max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[RedisFilterExpression] = None, return_metadata: bool = True, distance_threshold: Optional[float] = 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(str):要查找类似文档的文本。 k(int):要返回的文档数量。默认为4。 fetch_k(int):要获取以传递给MMR算法的文档数量。 lambda_mult(float):0到1之间的数字,确定结果之间多样性的程度,0对应于最大多样性,1对应于最小多样性。默认为0.5。 filter(RedisFilterExpression,可选):可选的元数据过滤器。默认为None。 return_metadata(bool,可选):是否返回元数据。默认为True。 distance_threshold(Optional[float],可选):所选文档与查询向量之间的最大向量距离。默认为None。
- 返回:
List[Document]: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) –
filter (Optional[RedisFilterExpression]) –
return_metadata (bool) –
distance_threshold (Optional[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 = 4, filter: Optional[RedisFilterExpression] = None, return_metadata: bool = True, distance_threshold: Optional[float] = None, **kwargs: Any) List[Document] [source]¶
运行相似性搜索
- 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。 filter (RedisFilterExpression, optional): 可选的元数据过滤器。
默认为None。
- return_metadata (bool, optional): 是否返回元数据。
默认为True。
- distance_threshold (Optional[float], optional): 选定文档与查询向量之间的最大向量距离。
默认为None。
- 返回:
List[Document]: 与查询文本最相似的文档列表。
- Parameters
query (str) –
k (int) –
filter (Optional[RedisFilterExpression]) –
return_metadata (bool) –
distance_threshold (Optional[float]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 4, filter: Optional[RedisFilterExpression] = None, return_metadata: bool = True, distance_threshold: Optional[float] = None, **kwargs: Any) List[Document] [source]¶
运行查询向量和索引向量之间的相似性搜索。
- 参数:
embedding (List[float]): 要查找相似文档的查询向量。 k (int): 要返回的文档数量。默认为4。 filter (RedisFilterExpression, optional): 可选的元数据过滤器。默认为None。 return_metadata (bool, optional): 是否返回元数据。默认为True。 distance_threshold (Optional[float], optional): 选定文档与查询向量之间的最大向量距离。默认为None。
- 返回:
List[Document]: 与查询文本最相似的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
filter (Optional[RedisFilterExpression]) –
return_metadata (bool) –
distance_threshold (Optional[float]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_limit_score(query: str, k: int = 4, score_threshold: float = 0.2, **kwargs: Any) List[Document] [source]¶
[Deprecated] 返回与查询文本在score_threshold范围内最相似的索引文档。
已弃用:请改用带有distance_threshold的similarity_search。
- 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_threshold(float):要被视为匹配所需的最小匹配*距离*。默认为0.2。
- 返回:
List[Document]:与查询文本最相似的文档列表,包括每个文档的匹配分数。
- 注意:
如果没有文档满足score_threshold值,则返回一个空列表。
Notes
Deprecated since version langchain-community==0.0.1: Use similarity_search(distance_threshold=0.1) instead.
- Parameters
query (str) –
k (int) –
score_threshold (float) –
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, filter: Optional[RedisFilterExpression] = None, return_metadata: bool = True, **kwargs: Any) List[Tuple[Document, float]] [source]¶
运行使用 向量距离 进行相似性搜索。
从此函数返回的“scores”是从查询向量到原始向量距离。对于相似性分数,请使用``similarity_search_with_relevance_scores``。
- 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。 filter (RedisFilterExpression, optional): 可选的元数据过滤器。
默认为None。
- return_metadata (bool, optional): 是否返回元数据。
默认为True。
- 返回:
List[Tuple[Document, float]]: 与查询最相似的文档列表,以及每个文档的距离。
- Parameters
query (str) –
k (int) –
filter (Optional[RedisFilterExpression]) –
return_metadata (bool) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]