`langchain_community.vectorstores.zilliz`.Zilliz¶

class langchain_community.vectorstores.zilliz.Zilliz(embedding_function: Embeddings, collection_name: str = 'LangChainCollection', collection_description: str = '', collection_properties: Optional[dict[str, Any]] = None, connection_args: Optional[dict[str, Any]] = None, consistency_level: str = 'Session', index_params: Optional[dict] = None, search_params: Optional[dict] = None, drop_old: Optional[bool] = False, auto_id: bool = False, *, primary_field: str = 'pk', text_field: str = 'text', vector_field: str = 'vector', metadata_field: Optional[str] = None, partition_key_field: Optional[str] = None, partition_names: Optional[list] = None, replica_number: int = 1, timeout: Optional[float] = None, num_shards: Optional[int] = None)[source]¶

Zilliz 向量存储。

您需要安装 pymilvus 并运行 Zilliz 数据库。

请参阅以下文档以了解如何运行 Zilliz 实例： https://docs.zilliz.com/docs/create-cluster

如果使用 L2/IP 度量，强烈建议对数据进行归一化。

参数:

embedding_function (Embeddings): 用于嵌入文本的函数。 collection_name (str): 要使用的 Zilliz 集合。默认为 “LangChainCollection”。 connection_args (Optional[dict[str, any]]): 用于此类的连接参数以字典形式提供。 consistency_level (str): 用于集合的一致性级别。默认为 “Session”。 index_params (Optional[dict]): 要使用的索引参数。根据服务的不同，默认为 HNSW/AUTOINDEX。 search_params (Optional[dict]): 要使用的搜索参数。默认为索引的默认值。 drop_old (Optional[bool]): 是否删除当前集合。默认为 False。 auto_id (bool): 是否为主键启用自动 id。默认为 False。

如果为 False，则需要提供文本 id（小于 65535 字节的字符串）。如果为 True，则 Milvus 将生成唯一整数作为主键。

用于此类的连接参数以字典形式提供，以下是一些选项:

address (str): Zilliz 实例的实际地址。示例地址：”localhost:19530” uri (str): Zilliz 实例的 uri。示例 uri：”https://in03-ba4234asae.api.gcp-us-west1.zillizcloud.com” host (str): Zilliz 实例的主机。默认为 “localhost”，

如果只提供端口，则 PyMilvus 将填充默认主机。

port (str/int): Zilliz 实例的端口。默认为 19530，: 如果只提供主机，则 PyMilvus 将填充默认端口。

user (str): 连接到 Zilliz 实例的用户。如果提供了用户和密码，我们将在每个 RPC 调用中添加相关的标头。 password (str): 提供用户时需要。与用户对应的密码。 token (str): API 密钥，用作用户和密码的替代品，用于无服务器集群。 secure (bool): 默认为 false。如果设置为 true，则将启用 tls。 client_key_path (str): 如果使用 tls 双向认证，需要编写 client.key 路径。 client_pem_path (str): 如果使用 tls 双向认证，需要编写 client.pem 路径。 ca_pem_path (str): 如果使用 tls 双向认证，需要编写 ca.pem 路径。 server_pem_path (str): 如果使用 tls 单向认证，需要编写 server.pem 路径。 server_name (str): 如果使用 tls，需要编写通用名称。

示例:

from langchain_community.vectorstores import Zilliz from langchain_community.embeddings import OpenAIEmbeddings

embedding = OpenAIEmbeddings() # 连接到 Zilliz 实例 milvus_store = Milvus(

embedding_function = embedding, collection_name = “LangChainCollection”, connection_args = {

“uri”: “https://in03-ba4234asae.api.gcp-us-west1.zillizcloud.com”, “user”: “temp”, “password”: “temp”, “token”: “temp”, # API 密钥作为用户和密码的替代品 “secure”: True

} drop_old: True,

)

引发:

ValueError: 如果未安装 pymilvus python 包。

初始化Milvus向量存储。

Attributes

embeddings

如果可用，访问查询嵌入对象。

Methods

`__init__`(embedding_function[, ...])	初始化Milvus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, timeout, ...])	将文本数据插入Milvus。
`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。
`delete`([ids, expr])	根据向量ID或布尔表达式删除。请参考[Milvus文档](https://milvus.io/docs/delete_data.md)查看表达式的说明和示例。
`from_documents`(documents, embedding, **kwargs)	返回从文档和嵌入初始化的VectorStore。
`from_texts`(texts, embedding[, metadatas, ...])	创建一个Zilliz集合，使用HNSW对其进行索引，并插入数据。
`get_pks`(expr, **kwargs)	获取带有表达式的主键
`max_marginal_relevance_search`(query[, k, ...])	执行搜索并返回按MMR重新排序的结果。
`max_marginal_relevance_search_by_vector`(...)	执行搜索并返回按MMR重新排序的结果。
`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, param, expr, ...])	对查询字符串执行相似性搜索。
`similarity_search_by_vector`(embedding[, k, ...])	对查询字符串执行相似性搜索。
`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, ...])	对查询字符串执行搜索，并返回带有分数的结果。
`similarity_search_with_score_by_vector`(embedding)	对查询字符串执行搜索，并返回带有分数的结果。
`upsert`([ids, documents])	更新/插入文档到向量存储。

Parameters

embedding_function (Embeddings) –
collection_name (str) –
collection_description (str) –
collection_properties (Optional[dict[str, Any]]) –
connection_args (Optional[dict[str, Any]]) –
consistency_level (str) –
index_params (Optional[dict]) –
search_params (Optional[dict]) –
drop_old (Optional[bool]) –
auto_id (bool) –
primary_field (str) –
text_field (str) –
vector_field (str) –
metadata_field (Optional[str]) –
partition_key_field (Optional[str]) –
partition_names (Optional[list]) –
replica_number (int) –
timeout (Optional[float]) –
num_shards (Optional[int]) –

__init__(embedding_function: Embeddings, collection_name: str = 'LangChainCollection', collection_description: str = '', collection_properties: Optional[dict[str, Any]] = None, connection_args: Optional[dict[str, Any]] = None, consistency_level: str = 'Session', index_params: Optional[dict] = None, search_params: Optional[dict] = None, drop_old: Optional[bool] = False, auto_id: bool = False, *, primary_field: str = 'pk', text_field: str = 'text', vector_field: str = 'vector', metadata_field: Optional[str] = None, partition_key_field: Optional[str] = None, partition_names: Optional[list] = None, replica_number: int = 1, timeout: Optional[float] = None, num_shards: Optional[int] = None)¶

初始化Milvus向量存储。

Parameters

embedding_function (Embeddings) –
collection_name (str) –
collection_description (str) –
collection_properties (Optional[dict[str, Any]]) –
connection_args (Optional[dict[str, Any]]) –
consistency_level (str) –
index_params (Optional[dict]) –
search_params (Optional[dict]) –
drop_old (Optional[bool]) –
auto_id (bool) –
primary_field (str) –
text_field (str) –
vector_field (str) –
metadata_field (Optional[str]) –
partition_key_field (Optional[str]) –
partition_names (Optional[list]) –
replica_number (int) –
timeout (Optional[float]) –
num_shards (Optional[int]) –

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, timeout: Optional[float] = None, batch_size: int = 1000, *, ids: Optional[List[str]] = None, **kwargs: Any) → List[str]¶

将文本数据插入Milvus。

在尚未创建集合时插入数据将导致创建新的集合。第一个实体的数据决定了新集合的模式，dim从第一个嵌入中提取，列由第一个元数据字典决定。所有插入的值都需要存在元数据键。目前在Milvus中没有None的等价物。

参数：: texts (Iterable[str]): 要嵌入的文本，假定它们都适合内存。 metadatas (Optional[List[dict]]): 附加到每个文本的元数据字典。默认为None。应小于65535字节。在auto_id为False时是必需的并且有效。 timeout (Optional[float]): 每个批次插入的超时时间。默认为None。 batch_size (int, optional): 用于插入的批次大小。默认为1000。 ids (Optional[List[str]]): 文本id列表。每个项目的长度
引发：: MilvusException: 添加文本失败
返回：: List[str]: 每个插入元素的结果键。

Parameters

texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
timeout (Optional[float]) –
batch_size (int) –
ids (Optional[List[str]]) –
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]]

delete(ids: Optional[List[str]] = None, expr: Optional[str] = None, **kwargs: str)¶

根据向量ID或布尔表达式删除。请参考[Milvus文档](https://milvus.io/docs/delete_data.md)查看表达式的说明和示例。

参数：: ids: 要删除的ID列表。 expr: 指定要删除的实体的布尔表达式。 kwargs: Milvus删除API中的其他参数。

Parameters

ids (Optional[List[str]]) –
expr (Optional[str]) –
kwargs (str) –

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, collection_name: str = 'LangChainCollection', connection_args: Optional[Dict[str, Any]] = None, consistency_level: str = 'Session', index_params: Optional[dict] = None, search_params: Optional[dict] = None, drop_old: bool = False, *, ids: Optional[List[str]] = None, auto_id: bool = False, **kwargs: Any) → Zilliz[source]¶

创建一个Zilliz集合，使用HNSW对其进行索引，并插入数据。

参数:: texts (List[str]): 文本数据。 embedding (Embeddings): 嵌入函数。 metadatas (Optional[List[dict]]): 如果存在，每个文本的元数据。默认为None。 collection_name (str, optional): 要使用的集合名称。默认为”LangChainCollection”。 connection_args (dict[str, Any], optional): 要使用的连接参数。默认为DEFAULT_MILVUS_CONNECTION。 consistency_level (str, optional): 要使用的一致性级别。默认为”Session”。 index_params (Optional[dict], optional): 要使用的索引参数。默认为None。 search_params (Optional[dict], optional): 要使用的搜索参数。默认为None。 drop_old (Optional[bool], optional): 如果存在，是否删除该名称的集合。默认为False。 ids (Optional[List[str]]): 文本id列表。 auto_id (bool): 是否为主键启用自动id。默认为False。如果为False，则需要提供文本id（小于65535字节的字符串）。如果为True，Milvus将生成唯一整数作为主键。
返回:: Zilliz: Zilliz向量存储器

Parameters

texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
collection_name (str) –
connection_args (Optional[Dict[str, Any]]) –
consistency_level (str) –
index_params (Optional[dict]) –
search_params (Optional[dict]) –
drop_old (bool) –
ids (Optional[List[str]]) –
auto_id (bool) –
kwargs (Any) –

Return type

Zilliz

get_pks(expr: str, **kwargs: Any) → Optional[List[int]]¶

获取带有表达式的主键

参数：: expr: 表达式 - 例如：”id in [1, 2]”，或者 “title LIKE ‘Abc%’”
返回：: List[int]: ID列表（主键）

Parameters

expr (str) –
kwargs (Any) –

Return type

Optional[List[int]]

max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[float] = None, **kwargs: Any) → List[Document]¶

执行搜索并返回按MMR重新排序的结果。

参数:: query (str): 要搜索的文本。 k (int, optional): 要返回的结果数量。默认为4。 fetch_k (int, optional): 从中选择k的总结果数量。默认为20。 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。 param (dict, optional): 指定索引的搜索参数。默认为None。 expr (str, optional): 过滤表达式。默认为None。 timeout (float, optional): 超时错误前等待的时间。默认为None。 kwargs: Collection.search()的关键字参数。
返回:: List[Document]: 搜索的文档结果。

Parameters

query (str) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (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, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[float] = None, **kwargs: Any) → List[Document]¶

执行搜索并返回按MMR重新排序的结果。

参数:: embedding (str): 正在搜索的嵌入向量。 k (int, optional): 要返回的结果数量。默认为4。 fetch_k (int, optional): 从中选择k的总结果数量。默认为20。 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。 param (dict, optional): 指定索引的搜索参数。默认为None。 expr (str, optional): 过滤表达式。默认为None。 timeout (float, optional): 超时错误前等待的时间长度。默认为None。 kwargs: Collection.search()的关键字参数。
返回:: List[Document]: 搜索的文档结果。

Parameters

embedding (list[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (Optional[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, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[float] = None, **kwargs: Any) → List[Document]¶

对查询字符串执行相似性搜索。

参数：: query (str)：要搜索的文本。 k (int, 可选)：要返回的结果数量。默认为4。 param (dict, 可选)：索引类型的搜索参数。默认为None。 expr (str, 可选)：过滤表达式。默认为None。 timeout (int, 可选)：超时错误前等待的时间。默认为None。 kwargs：Collection.search() 的关键字参数。
返回：: List[Document]：搜索的文档结果。

Parameters

query (str) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (Optional[float]) –
kwargs (Any) –

Return type

List[Document]

similarity_search_by_vector(embedding: List[float], k: int = 4, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[float] = None, **kwargs: Any) → List[Document]¶

对查询字符串执行相似性搜索。

参数：: embedding（List[float]）：要搜索的嵌入向量。 k（int，可选）：要返回的结果数量。默认为4。 param（dict，可选）：索引类型的搜索参数。默认为None。 expr（str，可选）：过滤表达式。默认为None。 timeout（int，可选）：超时错误前等待的时间。默认为None。 kwargs：Collection.search()的关键字参数。
返回：: List[Document]：搜索的文档结果。

Parameters

embedding (List[float]) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (Optional[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, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[float] = None, **kwargs: Any) → List[Tuple[Document, float]]¶

对查询字符串执行搜索，并返回带有分数的结果。

有关搜索参数的更多信息，请查看pymilvus文档，网址如下： https://milvus.io/api-reference/pymilvus/v2.2.6/Collection/search().md

参数：: query (str): 要搜索的文本。 k (int, 可选): 要返回的结果数量。默认为4。 param (dict): 指定索引的搜索参数。默认为None。 expr (str, 可选): 过滤表达式。默认为None。 timeout (float, 可选): 超时错误前等待的时间。默认为None。 kwargs: Collection.search() 的关键字参数。
返回：: List[float], List[Tuple[Document, any, any]]:

Parameters

query (str) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (Optional[float]) –
kwargs (Any) –

Return type

List[Tuple[Document, float]]

similarity_search_with_score_by_vector(embedding: List[float], k: int = 4, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[float] = None, **kwargs: Any) → List[Tuple[Document, float]]¶

对查询字符串执行搜索，并返回带有分数的结果。

有关搜索参数的更多信息，请查看pymilvus文档，链接如下： https://milvus.io/api-reference/pymilvus/v2.2.6/Collection/search().md

参数：: embedding（List[float]）：要搜索的嵌入向量。 k（int，可选）：要返回的结果数量。默认为4。 param（dict）：指定索引的搜索参数。默认为None。 expr（str，可选）：过滤表达式。默认为None。 timeout（float，可选）：超时错误前的等待时间。默认为None。 kwargs：Collection.search()的关键字参数。
返回：: List[Tuple[Document, float]]：结果文档和分数。

Parameters

embedding (List[float]) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (Optional[float]) –
kwargs (Any) –

Return type

List[Tuple[Document, float]]

upsert(ids: Optional[List[str]] = None, documents: Optional[List[Document]] = None, **kwargs: Any) → Optional[List[str]]¶

更新/插入文档到向量存储。

参数：: ids: 要更新的ID - 让我们调用get_pks来获取带有表达式的ID documents（List[Document]）：要添加到向量存储的文档。
返回：: List[str]：已添加文本的ID。

Parameters

ids (Optional[List[str]]) –
documents (Optional[List[Document]]) –
kwargs (Any) –

Return type

Optional[List[str]]

langchain_community.vectorstores.zilliz.Zilliz¶

`langchain_community.vectorstores.zilliz`.Zilliz¶