`langchain_community.vectorstores.tiledb`.TileDB¶

class langchain_community.vectorstores.tiledb.TileDB(embedding: Embeddings, index_uri: str, metric: str, *, vector_index_uri: str = '', docs_array_uri: str = '', config: Optional[Mapping[str, Any]] = None, timestamp: Any = None, allow_dangerous_deserialization: bool = False, **kwargs: Any)[source]¶

TileDB向量存储。

要使用，您应该已安装``tiledb-vector-search`` python包。

示例:

from langchain_community import TileDB
embeddings = OpenAIEmbeddings()
db = TileDB(embeddings, index_uri, metric)

初始化必要组件。

参数：

allow_dangerous_deserialization: 是否允许反序列化数据，涉及使用pickle加载数据。: 数据可能被恶意用户修改，以传递恶意有效负载，导致在您的计算机上执行任意代码。

Attributes

embeddings

如果可用，访问查询嵌入对象。

Methods

`__init__`(embedding, index_uri, metric, *[, ...])	初始化必要组件。
`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, timestamp])	运行更多的文本通过嵌入并添加到向量存储。
`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。
`amax_marginal_relevance_search_by_vector`(...)	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。
`asimilarity_search_with_relevance_scores`(query)	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。
`consolidate_updates`(**kwargs)
`create`(index_uri, index_type, dimensions, ...)
`delete`([ids, timestamp])	根据向量ID或其他条件删除。
`from_documents`(documents, embedding, **kwargs)	返回从文档和嵌入初始化的VectorStore。
`from_embeddings`(text_embeddings, embedding, ...)	从嵌入构建TileDB索引。
`from_texts`(texts, embedding[, metadatas, ...])	从原始文档构建TileDB索引。
`load`(index_uri, embedding, *[, metric, ...])	从URI加载TileDB索引。
`max_marginal_relevance_search`(query[, k, ...])	返回使用最大边际相关性选择的文档。
`max_marginal_relevance_search_by_vector`(...)	返回使用最大边际相关性选择的文档。
`max_marginal_relevance_search_with_score_by_vector`(...)	使用最大边际相关性返回选定的文档及其相似性分数。
`process_index_results`(ids, scores, *[, k, ...])	将TileDB的结果转换为文档列表和分数列表。
`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, fetch_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。
`similarity_search_with_relevance_scores`(query)	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文档。
`similarity_search_with_score_by_vector`(...)	返回与查询最相似的文档。

Parameters

embedding (Embeddings) –
index_uri (str) –
metric (str) –
vector_index_uri (str) –
docs_array_uri (str) –
config (Optional[Mapping[str, Any]]) –
timestamp (Any) –
allow_dangerous_deserialization (bool) –
kwargs (Any) –

__init__(embedding: Embeddings, index_uri: str, metric: str, *, vector_index_uri: str = '', docs_array_uri: str = '', config: Optional[Mapping[str, Any]] = None, timestamp: Any = None, allow_dangerous_deserialization: bool = False, **kwargs: Any)[source]¶

初始化必要组件。

参数：

allow_dangerous_deserialization: 是否允许反序列化数据，涉及使用pickle加载数据。: 数据可能被恶意用户修改，以传递恶意有效负载，导致在您的计算机上执行任意代码。

Parameters

embedding (Embeddings) –
index_uri (str) –
metric (str) –
vector_index_uri (str) –
docs_array_uri (str) –
config (Optional[Mapping[str, Any]]) –
timestamp (Any) –
allow_dangerous_deserialization (bool) –
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, ids: Optional[List[str]] = None, timestamp: int = 0, **kwargs: Any) → List[str][source]¶

运行更多的文本通过嵌入并添加到向量存储。

参数：: texts：要添加到向量存储的字符串的可迭代对象。 metadatas：与文本相关的元数据的可选列表。 ids：每个文本对象的可选id。 timestamp：写入新文本的可选时间戳。 kwargs：向量存储特定参数
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]]) –
ids (Optional[List[str]]) –
timestamp (int) –
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: VectorStoreRetriever

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]]

consolidate_updates(**kwargs: Any) → None[source]¶

Parameters: kwargs (Any) –
Return type: None

classmethod create(index_uri: str, index_type: str, dimensions: int, vector_type: dtype, *, metadatas: bool = True, config: Optional[Mapping[str, Any]] = None) → None[source]¶

Parameters

index_uri (str) –
index_type (str) –
dimensions (int) –
vector_type (dtype) –
metadatas (bool) –
config (Optional[Mapping[str, Any]]) –

Return type

None

delete(ids: Optional[List[str]] = None, timestamp: int = 0, **kwargs: Any) → Optional[bool][source]¶

根据向量ID或其他条件删除。

参数：: ids：要删除的ID列表。 timestamp：可选的时间戳以删除。 **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]]) –
timestamp (int) –
kwargs (Any) –

Return type

Optional[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_embeddings(text_embeddings: List[Tuple[str, List[float]]], embedding: Embeddings, index_uri: str, *, metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, metric: str = 'euclidean', index_type: str = 'FLAT', config: Optional[Mapping[str, Any]] = None, index_timestamp: int = 0, **kwargs: Any) → TileDB[source]¶

从嵌入构建TileDB索引。

参数：

text_embeddings：包含（文本，嵌入）元组的列表 embedding：要使用的嵌入函数。 index_uri：要写入TileDB数组的URI metadatas：要与文档关联的元数据字典列表。 metric：可选，用于索引的度量。默认为”euclidean”。 index_type：可选，向量索引类型（”FLAT”，IVF_FLAT”） config：可选，TileDB配置 index_timestamp：可选，用于写入新文本的时间戳。

示例：

from langchain_community import TileDB
from langchain_community.embeddings import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
text_embeddings = embeddings.embed_documents(texts)
text_embedding_pairs = list(zip(texts, text_embeddings))
db = TileDB.from_embeddings(text_embedding_pairs, embeddings)

Parameters

text_embeddings (List[Tuple[str, List[float]]]) –
embedding (Embeddings) –
index_uri (str) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
metric (str) –
index_type (str) –
config (Optional[Mapping[str, Any]]) –
index_timestamp (int) –
kwargs (Any) –

Return type

TileDB

classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, metric: str = 'euclidean', index_uri: str = '/tmp/tiledb_array', index_type: str = 'FLAT', config: Optional[Mapping[str, Any]] = None, index_timestamp: int = 0, **kwargs: Any) → TileDB[source]¶

从原始文档构建TileDB索引。

参数：

texts：要索引的文档列表。 embedding：要使用的嵌入函数。 metadatas：要与文档关联的元数据字典列表。 ids：每个文本对象的可选ID。 metric：用于索引的度量。默认为”euclidean”。 index_uri：要写入TileDB数组的URI。 index_type：可选，向量索引类型（”FLAT”，IVF_FLAT”）。 config：可选，TileDB配置。 index_timestamp：可选，用于写入新文本的时间戳。

示例：

from langchain_community import TileDB
from langchain_community.embeddings import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
index = TileDB.from_texts(texts, embeddings)

Parameters

texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
metric (str) –
index_uri (str) –
index_type (str) –
config (Optional[Mapping[str, Any]]) –
index_timestamp (int) –
kwargs (Any) –

Return type

TileDB

classmethod load(index_uri: str, embedding: Embeddings, *, metric: str = 'euclidean', config: Optional[Mapping[str, Any]] = None, timestamp: Any = None, **kwargs: Any) → TileDB[source]¶

从URI加载TileDB索引。

参数：: index_uri：TileDB向量索引的URI。 embedding：生成查询时要使用的嵌入。 metric：可选，用于索引的度量。默认为”euclidean”。 config：可选的TileDB配置。 timestamp：可选的时间戳，用于打开数组。

Parameters

index_uri (str) –
embedding (Embeddings) –
metric (str) –
config (Optional[Mapping[str, Any]]) –
timestamp (Any) –
kwargs (Any) –

Return type

TileDB

max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[Dict[str, Any]] = 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：要查找类似文档的文本。 k：要返回的文档数量。默认为4。 fetch_k：在过滤（如果需要）传递给MMR算法之前要获取的文档数量。 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：: 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[Dict[str, Any]]) –
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, filter: Optional[Dict[str, Any]] = 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: 在过滤到传递给MMR算法之前要获取的文档数量。 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对应于最大多样性，1对应于最小多样性。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) –
filter (Optional[Dict[str, Any]]) –
kwargs (Any) –

Return type

List[Document]

max_marginal_relevance_search_with_score_by_vector(embedding: List[float], *, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[Dict[str, Any]] = None, **kwargs: Any) → List[Tuple[Document, float]][source]¶

使用最大边际相关性返回选定的文档及其相似性分数。

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：在过滤到MMR算法之前要获取的文档数量。 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对应于最大多样性，1对应于最小多样性。默认为0.5。
返回：: 通过最大边际相关性选择的文档和相似性分数的列表，以及每个文档的分数。

Parameters

embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
filter (Optional[Dict[str, Any]]) –
kwargs (Any) –

Return type

List[Tuple[Document, float]]

process_index_results(ids: List[int], scores: List[float], *, k: int = 4, filter: Optional[Dict[str, Any]] = None, score_threshold: float = 1.7976931348623157e+308) → List[Tuple[Document, float]][source]¶

将TileDB的结果转换为文档列表和分数列表。

参数：: ids：文档在索引中的索引列表。 scores：文档在索引中的距离列表。 k：要返回的文档数量。默认为4。 filter（可选[Dict[str, Any]]）：按元数据筛选。默认为None。 score_threshold：可选，一个浮点值，用于过滤检索到的文档集。
返回：: 文档和分数的列表。

Parameters

ids (List[int]) –
scores (List[float]) –
k (int) –
filter (Optional[Dict[str, Any]]) –
score_threshold (float) –

Return type

List[Tuple[Document, float]]

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[Dict[str, Any]] = None, fetch_k: int = 20, **kwargs: Any) → List[Document][source]¶

返回与查询最相似的文档。

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。 filter: （可选[Dict[str, str]]）：按元数据筛选。默认为None。 fetch_k: （可选[int]）在过滤之前要获取的文档数量。

默认为20。
返回：: 与查询最相似的文档列表。

Parameters

query (str) –
k (int) –
filter (Optional[Dict[str, Any]]) –
fetch_k (int) –
kwargs (Any) –

Return type

List[Document]

similarity_search_by_vector(embedding: List[float], k: int = 4, filter: Optional[Dict[str, Any]] = None, fetch_k: int = 20, **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。 filter（可选[Dict[str, str]]）：按元数据过滤。默认为None。 fetch_k: （可选[int]）在过滤之前要获取的文档数量。

默认为20。
返回：: 与嵌入最相似的文档列表。

Parameters

embedding (List[float]) –
k (int) –
filter (Optional[Dict[str, Any]]) –
fetch_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 = 4, filter: Optional[Dict[str, Any]] = None, fetch_k: int = 20, **kwargs: Any) → List[Tuple[Document, float]][source]¶

返回与查询最相似的文档。

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。 filter（可选[Dict[str，str]]）：按元数据筛选。默认为无。 fetch_k：（可选[int]）在过滤之前要获取的文档数量。

默认为20。
返回：: 与查询文本最相似的文档列表，带有浮点距离。较低的分数表示更相似。

Parameters

query (str) –
k (int) –
filter (Optional[Dict[str, Any]]) –
fetch_k (int) –
kwargs (Any) –

Return type

List[Tuple[Document, float]]

similarity_search_with_score_by_vector(embedding: List[float], *, k: int = 4, filter: Optional[Dict[str, Any]] = None, fetch_k: int = 20, **kwargs: Any) → List[Tuple[Document, float]][source]¶

返回与查询最相似的文档。

参数：

embedding: 要查找相似文档的嵌入向量。 k: 要返回的文档数量。默认为4。 filter (Optional[Dict[str, Any]]): 按元数据过滤。默认为None。 fetch_k: (Optional[int]) 在过滤之前要获取的文档数量。

默认为20。

**kwargs: 要传递给相似性搜索的kwargs。可以包括：: nprobe: 可选，如果使用IVF_FLAT索引，则要检查的分区数 score_threshold: 可选，一个浮点值，用于过滤

检索到的文档集的结果

返回：

查询文本最相似的文档列表，以及每个文档的浮点距离。较低的分数表示更相似。

Parameters

embedding (List[float]) –
k (int) –
filter (Optional[Dict[str, Any]]) –
fetch_k (int) –
kwargs (Any) –

Return type

List[Tuple[Document, float]]

Examples using TileDB¶

tiledb.md

langchain_community.vectorstores.tiledb.TileDB¶

Examples using TileDB¶

`langchain_community.vectorstores.tiledb`.TileDB¶