Index
向量存储索引类型。
VectorStoreQueryResult
dataclass
#
存储查询结果的向量。
Source code in llama_index/core/vector_stores/types.py
34 35 36 37 38 39 40 |
|
VectorStoreQueryMode #
Bases: str
, Enum
向量存储查询模式。
Source code in llama_index/core/vector_stores/types.py
43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 |
|
FilterOperator #
Bases: str
, Enum
向量存储过滤器操作符。
Source code in llama_index/core/vector_stores/types.py
61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 |
|
FilterCondition #
Bases: str
, Enum
向量存储过滤条件,以组合不同的过滤器。
Source code in llama_index/core/vector_stores/types.py
79 80 81 82 83 84 |
|
MetadataFilter #
Bases: BaseModel
全面的元数据过滤器,用于支持更多的操作符。
值使用Strict*类型,因为int、float和str是兼容的类型,而且在转换之前都被转换为字符串。
参见:https://docs.pydantic.dev/latest/usage/types/#strict-types
Source code in llama_index/core/vector_stores/types.py
87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 |
|
from_dict
classmethod
#
from_dict(filter_dict: Dict) -> MetadataFilter
创建一个基于字典的MetadataFilter。
Parameters:
Name | Type | Description | Default |
---|---|---|---|
filter_dict |
Dict
|
包含键、值和操作符的字典。 |
required |
Source code in llama_index/core/vector_stores/types.py
98 99 100 101 102 103 104 105 106 107 108 |
|
MetadataFilters #
Bases: BaseModel
元数据过滤器用于向量存储。
Source code in llama_index/core/vector_stores/types.py
121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 |
|
from_dict
classmethod
#
from_dict(filter_dict: Dict) -> MetadataFilters
从json中创建MetadataFilters。
Source code in llama_index/core/vector_stores/types.py
129 130 131 132 133 134 135 136 137 138 139 140 |
|
from_dicts
classmethod
#
from_dicts(
filter_dicts: List[Dict],
condition: Optional[
FilterCondition
] = FilterCondition.AND,
) -> MetadataFilters
从字典中创建MetadataFilters。
这个函数接受一个单独的MetadataFilter对象列表,以及条件。
Parameters:
Name | Type | Description | Default |
---|---|---|---|
filter_dicts |
List[Dict]
|
字典列表,每个字典都是一个MetadataFilter。 |
required |
condition |
Optional[FilterCondition]
|
FilterCondition,用于组合不同的过滤器。 |
AND
|
Source code in llama_index/core/vector_stores/types.py
142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 |
|
legacy_filters #
legacy_filters() -> List[ExactMatchFilter]
将MetadataFilters转换为传统的ExactMatchFilters。
Source code in llama_index/core/vector_stores/types.py
163 164 165 166 167 168 169 170 171 172 173 |
|
VectorStoreQuerySpec #
Bases: BaseModel
结构化请求向量存储的模式 (即将被转换为VectorStoreQuery)。
目前仅被VectorIndexAutoRetriever使用。
Source code in llama_index/core/vector_stores/types.py
176 177 178 179 180 181 182 183 184 |
|
MetadataInfo #
Bases: BaseModel
关于向量存储支持的元数据过滤器的信息。
目前仅由VectorIndexAutoRetriever使用。
Source code in llama_index/core/vector_stores/types.py
187 188 189 190 191 192 193 194 |
|
VectorStoreInfo #
Bases: BaseModel
关于向量存储的信息(内容和支持的元数据过滤器)。
目前仅被VectorIndexAutoRetriever使用。
Source code in llama_index/core/vector_stores/types.py
197 198 199 200 201 202 203 |
|
VectorStoreQuery
dataclass
#
向量存储查询。
Source code in llama_index/core/vector_stores/types.py
206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 |
|
VectorStore #
Bases: Protocol
抽象向量存储协议。
Source code in llama_index/core/vector_stores/types.py
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 |
|
add #
add(nodes: List[BaseNode], **add_kwargs: Any) -> List[str]
向向量存储中添加带嵌入的节点。
Source code in llama_index/core/vector_stores/types.py
247 248 249 250 251 252 253 |
|
async_add
async
#
async_add(
nodes: List[BaseNode], **kwargs: Any
) -> List[str]
异步将带有嵌入的节点添加到向量存储中。 注意:并非所有向量存储都实现了此功能。如果未实现,它将会同步调用添加操作。
Source code in llama_index/core/vector_stores/types.py
255 256 257 258 259 260 261 262 263 |
|
delete #
delete(ref_doc_id: str, **delete_kwargs: Any) -> None
使用ref_doc_id删除节点。
Source code in llama_index/core/vector_stores/types.py
265 266 267 268 |
|
adelete
async
#
adelete(ref_doc_id: str, **delete_kwargs: Any) -> None
使用ref_doc_id删除节点。 注意:并非所有向量存储都实现了此功能。如果未实现,它将仅同步调用删除。
Source code in llama_index/core/vector_stores/types.py
270 271 272 273 274 |
|
query #
query(
query: VectorStoreQuery, **kwargs: Any
) -> VectorStoreQueryResult
查询向量存储。
Source code in llama_index/core/vector_stores/types.py
276 277 278 |
|
aquery
async
#
aquery(
query: VectorStoreQuery, **kwargs: Any
) -> VectorStoreQueryResult
异步查询向量存储。 注意:并非所有向量存储都实现了这个功能。如果没有实现,它将会同步调用查询。
Source code in llama_index/core/vector_stores/types.py
280 281 282 283 284 285 286 |
|
BasePydanticVectorStore #
Bases: BaseComponent
, ABC
抽象向量存储协议。
Source code in llama_index/core/vector_stores/types.py
295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 |
|
get_nodes #
get_nodes(
node_ids: Optional[List[str]] = None,
filters: Optional[MetadataFilters] = None,
) -> List[BaseNode]
从向量存储中获取节点。
Source code in llama_index/core/vector_stores/types.py
309 310 311 312 313 314 315 |
|
aget_nodes
async
#
aget_nodes(
node_ids: Optional[List[str]] = None,
filters: Optional[MetadataFilters] = None,
) -> List[BaseNode]
从向量存储异步获取节点。
Source code in llama_index/core/vector_stores/types.py
317 318 319 320 321 322 323 |
|
add
abstractmethod
#
add(nodes: List[BaseNode]) -> List[str]
向向量存储中添加节点。
Source code in llama_index/core/vector_stores/types.py
325 326 327 328 329 330 |
|
async_add
async
#
async_add(
nodes: List[BaseNode], **kwargs: Any
) -> List[str]
异步将节点添加到向量存储中。 注意:并非所有向量存储都实现了此功能。如果未实现,它将会同步调用添加操作。
Source code in llama_index/core/vector_stores/types.py
332 333 334 335 336 337 338 339 340 |
|
delete
abstractmethod
#
delete(ref_doc_id: str, **delete_kwargs: Any) -> None
使用ref_doc_id删除节点。
Source code in llama_index/core/vector_stores/types.py
342 343 344 345 |
|
adelete
async
#
adelete(ref_doc_id: str, **delete_kwargs: Any) -> None
使用ref_doc_id删除节点。 注意:并非所有向量存储都实现了此功能。如果未实现,它将仅同步调用删除。
Source code in llama_index/core/vector_stores/types.py
347 348 349 350 351 |
|
delete_nodes #
delete_nodes(
node_ids: Optional[List[str]] = None,
filters: Optional[MetadataFilters] = None,
**delete_kwargs: Any
) -> None
从向量存储中删除节点。
Source code in llama_index/core/vector_stores/types.py
353 354 355 356 357 358 359 360 |
|
adelete_nodes
async
#
adelete_nodes(
node_ids: Optional[List[str]] = None,
filters: Optional[MetadataFilters] = None,
**delete_kwargs: Any
) -> None
异步从向量存储中删除节点。
Source code in llama_index/core/vector_stores/types.py
362 363 364 365 366 367 368 369 |
|
clear #
clear() -> None
清除配置的向量存储中的所有节点。
Source code in llama_index/core/vector_stores/types.py
371 372 373 |
|
aclear
async
#
aclear() -> None
异步清除配置的向量存储中的所有节点。
Source code in llama_index/core/vector_stores/types.py
375 376 377 |
|
query
abstractmethod
#
query(
query: VectorStoreQuery, **kwargs: Any
) -> VectorStoreQueryResult
查询向量存储。
Source code in llama_index/core/vector_stores/types.py
379 380 381 |
|
aquery
async
#
aquery(
query: VectorStoreQuery, **kwargs: Any
) -> VectorStoreQueryResult
异步查询向量存储。 注意:并非所有向量存储都实现了这个功能。如果没有实现,它将会同步调用查询。
Source code in llama_index/core/vector_stores/types.py
383 384 385 386 387 388 389 |
|