langchain_community.vectorstores.upstash
.UpstashVectorStore¶
- class langchain_community.vectorstores.upstash.UpstashVectorStore(text_key: str = 'text', index: Optional[Index] = None, async_index: Optional[AsyncIndex] = None, index_url: Optional[str] = None, index_token: Optional[str] = None, embedding: Optional[Union[Embeddings, bool]] = None)[source]¶
Upstash Vector向量存储
要使用,必须安装``upstash-vector`` python包。
还需要一个Upstash Vector索引。首先创建一个新的Upstash Vector索引,复制`index_url`和`index_token`变量。然后通过构造函数传递它们,或者设置环境变量`UPSTASH_VECTOR_REST_URL`和`UPSTASH_VECTOR_REST_TOKEN`。
- 示例:
from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import UpstashVectorStore embeddings = OpenAIEmbeddings(model="text-embedding-3-large") vectorstore = UpstashVectorStore( embedding=embeddings, index_url="...", index_token="..." ) # 或者 import os os.environ["UPSTASH_VECTOR_REST_URL"] = "..." os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "..." vectorstore = UpstashVectorStore( embedding=embeddings )
UpstashVectorStore的构造函数。
如果未提供index或index_url和index_token,则构造函数将尝试使用环境变量`UPSTASH_VECTOR_REST_URL`和`UPSTASH_VECTOR_REST_TOKEN`来创建索引。
- 参数:
text_key:用于在元数据中存储文本的键。 index:UpstashVector索引对象。 async_index:UpstashVector AsyncIndex对象,仅在需要异步函数时提供。 index_url:UpstashVector索引的URL。 index_token:UpstashVector索引的令牌。 embedding:嵌入对象或布尔值。当为false时,不应用嵌入。如果为true,则使用Upstash嵌入。当使用Upstash嵌入时,文本将直接发送到Upstash,并在那里应用嵌入,而不是在Langchain中进行嵌入。
- 示例:
from langchain_community.vectorstores.upstash import UpstashVectorStore from langchain_community.embeddings.openai import OpenAIEmbeddings embeddings = OpenAIEmbeddings() vectorstore = UpstashVectorStore( embedding=embeddings, index_url="...", index_token="..." ) # 使用现有索引 from upstash_vector import Index index = Index(url="...", token="...") vectorstore = UpstashVectorStore( embedding=embeddings, index=index )
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
([text_key, index, async_index, ...])UpstashVectorStore的构造函数。
aadd_documents
(documents[, ids, batch_size, ...])为文档获取嵌入并将其添加到向量存储中。
aadd_texts
(texts[, metadatas, ids, ...])获取文本的嵌入并将其添加到向量存储中。
add_documents
(documents[, ids, batch_size, ...])为文档获取嵌入并将其添加到向量存储中。
add_texts
(texts[, metadatas, ids, ...])获取文本的嵌入并将其添加到向量存储中。
adelete
([ids, delete_all, batch_size])根据向量ID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, ...])从文本列表创建一个新的UpstashVectorStore。
ainfo
()获取有关索引的统计信息。
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, filter])返回与查询最相似的文档。
asimilarity_search_by_vector
(embedding[, k, ...])返回与给定嵌入最接近的文档。
返回与给定嵌入最接近的文本
返回文档和相关性分数在范围[0, 1]内,异步执行。
asimilarity_search_with_score
(query[, k, filter])检索与查询最相似的文本,并将结果转换为`Document`对象。
delete
([ids, delete_all, batch_size])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, ...])从文本列表创建一个新的UpstashVectorStore。
info
()获取有关索引的统计信息。
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])返回与查询最相似的文档。
similarity_search_by_vector
(embedding[, k, ...])返回与给定嵌入最接近的文档。
similarity_search_by_vector_with_score
(embedding)返回与给定嵌入最接近的文本
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, filter])检索与查询最相似的文本,并将结果转换为`Document`对象。
- Parameters
text_key (str) –
index (Optional[Index]) –
async_index (Optional[AsyncIndex]) –
index_url (Optional[str]) –
index_token (Optional[str]) –
embedding (Optional[Union[Embeddings, bool]]) –
- __init__(text_key: str = 'text', index: Optional[Index] = None, async_index: Optional[AsyncIndex] = None, index_url: Optional[str] = None, index_token: Optional[str] = None, embedding: Optional[Union[Embeddings, bool]] = None)[source]¶
UpstashVectorStore的构造函数。
如果未提供index或index_url和index_token,则构造函数将尝试使用环境变量`UPSTASH_VECTOR_REST_URL`和`UPSTASH_VECTOR_REST_TOKEN`来创建索引。
- 参数:
text_key:用于在元数据中存储文本的键。 index:UpstashVector索引对象。 async_index:UpstashVector AsyncIndex对象,仅在需要异步函数时提供。 index_url:UpstashVector索引的URL。 index_token:UpstashVector索引的令牌。 embedding:嵌入对象或布尔值。当为false时,不应用嵌入。如果为true,则使用Upstash嵌入。当使用Upstash嵌入时,文本将直接发送到Upstash,并在那里应用嵌入,而不是在Langchain中进行嵌入。
- 示例:
from langchain_community.vectorstores.upstash import UpstashVectorStore from langchain_community.embeddings.openai import OpenAIEmbeddings embeddings = OpenAIEmbeddings() vectorstore = UpstashVectorStore( embedding=embeddings, index_url="...", index_token="..." ) # 使用现有索引 from upstash_vector import Index index = Index(url="...", token="...") vectorstore = UpstashVectorStore( embedding=embeddings, index=index )
- Parameters
text_key (str) –
index (Optional[Index]) –
async_index (Optional[AsyncIndex]) –
index_url (Optional[str]) –
index_token (Optional[str]) –
embedding (Optional[Union[Embeddings, bool]]) –
- async aadd_documents(documents: Iterable[Document], ids: Optional[List[str]] = None, batch_size: int = 32, embedding_chunk_size: int = 1000, **kwargs: Any) List[str] [source]¶
为文档获取嵌入并将其添加到向量存储中。
文档以大小为`embedding_chunk_size`的批次发送到嵌入对象。 然后以大小为`batch_size`的批次将嵌入数据插入到向量存储中。
- 参数:
documents: 要添加到向量存储中的文档的可迭代对象。 batch_size: 在插入嵌入数据时要使用的批处理大小。 Upstash支持每个请求最多1000个向量。 embedding_batch_size: 在嵌入文本时要使用的块大小。
- 返回:
将文本添加到向量存储中的ID列表。
- Parameters
documents (Iterable[Document]) –
ids (Optional[List[str]]) –
batch_size (int) –
embedding_chunk_size (int) –
kwargs (Any) –
- Return type
List[str]
- async aadd_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, batch_size: int = 32, embedding_chunk_size: int = 1000, **kwargs: Any) List[str] [source]¶
获取文本的嵌入并将其添加到向量存储中。
文本以大小为`embedding_chunk_size`的批次发送到嵌入对象中。 然后以大小为`batch_size`的批次将嵌入数据更新到向量存储中。
- 参数:
texts: 要添加到向量存储中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: 与文本关联的可选id列表。 batch_size: 更新嵌入数据时要使用的批次大小。 Upstash支持每个请求最多1000个向量。 embedding_batch_size: 嵌入文本时要使用的块大小。
- 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]]) –
batch_size (int) –
embedding_chunk_size (int) –
kwargs (Any) –
- Return type
List[str]
- add_documents(documents: List[Document], ids: Optional[List[str]] = None, batch_size: int = 32, embedding_chunk_size: int = 1000, **kwargs: Any) List[str] [source]¶
为文档获取嵌入并将其添加到向量存储中。
文档以大小为`embedding_chunk_size`的批次发送到嵌入对象。 然后以大小为`batch_size`的批次将嵌入数据插入到向量存储中。
- 参数:
documents: 要添加到向量存储中的文档的可迭代对象。 batch_size: 在插入嵌入数据时要使用的批处理大小。 Upstash支持每个请求最多1000个向量。 embedding_batch_size: 在嵌入文本时要使用的块大小。
- 返回:
将文本添加到向量存储中的ID列表。
- Parameters
documents (List[Document]) –
ids (Optional[List[str]]) –
batch_size (int) –
embedding_chunk_size (int) –
kwargs (Any) –
- Return type
List[str]
- add_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, batch_size: int = 32, embedding_chunk_size: int = 1000, **kwargs: Any) List[str] [source]¶
获取文本的嵌入并将其添加到向量存储中。
文本以大小为`embedding_chunk_size`的批次发送到嵌入对象中。 然后以大小为`batch_size`的批次将嵌入数据更新到向量存储中。
- 参数:
texts: 要添加到向量存储中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: 与文本关联的可选id列表。 batch_size: 更新嵌入数据时要使用的批次大小。 Upstash支持每个请求最多1000个向量。 embedding_batch_size: 嵌入文本时要使用的块大小。
- 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]]) –
batch_size (int) –
embedding_chunk_size (int) –
kwargs (Any) –
- Return type
List[str]
- async adelete(ids: Optional[List[str]] = None, delete_all: Optional[bool] = None, batch_size: Optional[int] = 1000, **kwargs: Any) None [source]¶
根据向量ID删除
- 参数:
ids:要删除的ID列表。 delete_all:删除索引中的所有向量。 batch_size:删除嵌入时要使用的批量大小。 Upstash每个请求最多支持1000个删除。
- Parameters
ids (Optional[List[str]]) –
delete_all (Optional[bool]) –
batch_size (Optional[int]) –
kwargs (Any) –
- Return type
None
- 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, ids: Optional[List[str]] = None, embedding_chunk_size: int = 1000, batch_size: int = 32, text_key: str = 'text', index: Optional[Index] = None, async_index: Optional[AsyncIndex] = None, index_url: Optional[str] = None, index_token: Optional[str] = None, **kwargs: Any) UpstashVectorStore [source]¶
从文本列表创建一个新的UpstashVectorStore。
- 示例:
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
embedding_chunk_size (int) –
batch_size (int) –
text_key (str) –
index (Optional[Index]) –
async_index (Optional[AsyncIndex]) –
index_url (Optional[str]) –
index_token (Optional[str]) –
kwargs (Any) –
- Return type
- async ainfo() InfoResult [source]¶
获取有关索引的统计信息。
- 返回:
向量的总数
等待被索引的向量总数
磁盘上索引的总大小(以字节为单位)
索引的维度计数
为索引选择的相似性函数
- Return type
InfoResult
- async amax_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[str] = 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: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,其中0对应最大多样性,1对应最小多样性。默认为0.5。 filter:可选的元数据过滤器,以str格式。
- 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[str]) –
kwargs (Any) –
- Return type
List[Document]
- async amax_marginal_relevance_search_by_vector(embedding: Union[List[float], str], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[str] = 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: 查找与之相似文档的嵌入。 k: 要返回的文档数量。默认为4。 fetch_k: 要获取的文档数量,以传递给MMR算法。 lambda_mult: 介于0和1之间的数字,确定结果之间多样性的程度,0表示最大多样性,1表示最小多样性。默认为0.5。 filter: str格式的可选元数据过滤器
- 返回:
通过最大边际相关性选择的文档列表。
- Parameters
embedding (Union[List[float], str]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
filter (Optional[str]) –
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, filter: Optional[str] = None, **kwargs: Any) List[Document] [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:可选的元数据过滤器,以str格式表示。
- 返回:
返回与查询最相似的文档列表。
- Parameters
query (str) –
k (int) –
filter (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search_by_vector(embedding: Union[List[float], str], k: int = 4, filter: Optional[str] = None, **kwargs: Any) List[Document] [source]¶
返回与给定嵌入最接近的文档。
- 参数:
embedding:要查找类似文档的嵌入。 k:要返回的文档数量。默认为4。 filter:可选的元数据过滤器,以str格式表示。
- 返回:
与查询最相似的文档列表。
- Parameters
embedding (Union[List[float], str]) –
k (int) –
filter (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search_by_vector_with_score(embedding: Union[List[float], str], k: int = 4, filter: Optional[str] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与给定嵌入最接近的文本
- Parameters
embedding (Union[List[float], str]) –
k (int) –
filter (Optional[str]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- 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(query: str, k: int = 4, filter: Optional[str] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
检索与查询最相似的文本,并将结果转换为`Document`对象。
- 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:可选的元数据过滤器,以str格式表示。
- 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) –
filter (Optional[str]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- delete(ids: Optional[List[str]] = None, delete_all: Optional[bool] = None, batch_size: Optional[int] = 1000, **kwargs: Any) None [source]¶
根据向量ID删除
- 参数:
ids:要删除的ID列表。 delete_all:删除索引中的所有向量。 batch_size:删除嵌入时要使用的批量大小。 Upstash每个请求最多支持1000个删除。
- Parameters
ids (Optional[List[str]]) –
delete_all (Optional[bool]) –
batch_size (Optional[int]) –
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, metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, embedding_chunk_size: int = 1000, batch_size: int = 32, text_key: str = 'text', index: Optional[Index] = None, async_index: Optional[AsyncIndex] = None, index_url: Optional[str] = None, index_token: Optional[str] = None, **kwargs: Any) UpstashVectorStore [source]¶
从文本列表创建一个新的UpstashVectorStore。
- 示例:
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
embedding_chunk_size (int) –
batch_size (int) –
text_key (str) –
index (Optional[Index]) –
async_index (Optional[AsyncIndex]) –
index_url (Optional[str]) –
index_token (Optional[str]) –
kwargs (Any) –
- Return type
- info() InfoResult [source]¶
获取有关索引的统计信息。
- 返回:
向量的总数
等待被索引的向量总数
磁盘上索引的总大小(以字节为单位)
索引的维度计数
为索引选择的相似性函数
- Return type
InfoResult
- max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[str] = 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: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,其中0对应最大多样性,1对应最小多样性。默认为0.5。 filter:可选的元数据过滤器,以str格式。
- 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[str]) –
kwargs (Any) –
- Return type
List[Document]
- max_marginal_relevance_search_by_vector(embedding: Union[List[float], str], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[str] = 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: 查找与之相似文档的嵌入。 k: 要返回的文档数量。默认为4。 fetch_k: 要获取的文档数量,以传递给MMR算法。 lambda_mult: 介于0和1之间的数字,确定结果之间多样性的程度,0表示最大多样性,1表示最小多样性。默认为0.5。 filter: str格式的可选元数据过滤器
- 返回:
通过最大边际相关性选择的文档列表。
- Parameters
embedding (Union[List[float], str]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
filter (Optional[str]) –
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[str] = None, **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:可选的元数据过滤器,以字符串格式表示。
- 返回:
与查询最相似的文档列表,以及每个文档的分数。
- Parameters
query (str) –
k (int) –
filter (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: Union[List[float], str], k: int = 4, filter: Optional[str] = None, **kwargs: Any) List[Document] [source]¶
返回与给定嵌入最接近的文档。
- 参数:
embedding:要查找类似文档的嵌入。 k:要返回的文档数量。默认为4。 filter:可选的元数据过滤器,以str格式表示。
- 返回:
与查询最相似的文档列表。
- Parameters
embedding (Union[List[float], str]) –
k (int) –
filter (Optional[str]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector_with_score(embedding: Union[List[float], str], k: int = 4, filter: Optional[str] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与给定嵌入最接近的文本
- Parameters
embedding (Union[List[float], str]) –
k (int) –
filter (Optional[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 = 4, filter: Optional[str] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
检索与查询最相似的文本,并将结果转换为`Document`对象。
- 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:可选的元数据过滤器,以str格式表示。
- 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) –
filter (Optional[str]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]