LanceDB#

class langchain_community.vectorstores.lancedb.LanceDB(connection: Any | None = None, embedding: Embeddings | None = None, uri: str | None = '/tmp/lancedb', vector_key: str | None = 'vector', id_key: str | None = 'id', text_key: str | None = 'text', table_name: str | None = 'vectorstore', api_key: str | None = None, region: str | None = None, mode: str | None = 'overwrite', table: Any | None = None, distance: str | None = 'l2', reranker: Any | None = None, relevance_score_fn: Callable[[float], float] | None = None, limit: int = 4)[来源]#

LanceDB 向量存储。

要使用，您应该安装lancedb python包。 您可以使用pip install lancedb来安装它。

Parameters:

  • connection (可选[任意]) – 要使用的LanceDB连接。如果未提供，将创建一个新的连接。

  • embedding (可选[Embeddings]) – 用于向量存储的嵌入。

  • vector_key (可选[str]) – 数据库中用于向量的键。默认为 vector。

  • id_key (可选[str]) – 用于数据库中id的键。默认为 id。

  • text_key (可选[str]) – 用于数据库中文本的键。默认为 text。

  • table_name (可选[str]) – 要使用的表的名称。默认为 vectorstore。

  • api_key (可选[str]) – 用于LanceDB云数据库的API密钥。

  • region (可选[str]) – 用于LanceDB云数据库的区域。

  • mode (可选[str]) – 用于向表中添加数据的模式。有效值为 append 和 overwrite。默认为 overwrite。

  • uri (可选[str])

  • table (可选[任意])

  • distance (可选[str])

  • reranker (可选[任意])

  • relevance_score_fn (可选[Callable[[float], float]])

  • limit (int)

示例

使用Lance DB向量存储进行初始化

属性

embeddings

如果可用，访问查询嵌入对象。

方法

__init__([connection, embedding, uri, ...])

使用 Lance DB 向量存储进行初始化

aadd_documents(documents, **kwargs)

异步运行更多文档通过嵌入并添加到向量存储中。

aadd_texts(texts[, metadatas, ids])

异步运行更多文本通过嵌入并添加到向量存储中。

add_documents(documents, **kwargs)

在向量存储中添加或更新文档。

add_images(uris[, metadatas, ids])

通过嵌入运行更多图像并将其添加到向量存储中。

add_texts(texts[, metadatas, ids])

将文本转换为嵌入并将其添加到数据库中

adelete([ids])

异步删除通过向量ID或其他条件。

afrom_documents(documents, embedding, **kwargs)

异步返回从文档和嵌入初始化的VectorStore。

afrom_texts(texts, embedding[, metadatas, ids])

异步返回从文本和嵌入初始化的VectorStore。

aget_by_ids(ids, /)

异步通过ID获取文档。

amax_marginal_relevance_search(query[, k, ...])

异步返回使用最大边际相关性选择的文档。

amax_marginal_relevance_search_by_vector(...)

异步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)

异步返回与查询最相似的文档，使用指定的搜索类型。

asimilarity_search(query[, k])

异步返回与查询最相似的文档。

asimilarity_search_by_vector(embedding[, k])

异步返回与嵌入向量最相似的文档。

asimilarity_search_with_relevance_scores(query)

异步返回文档和相关分数，范围在[0, 1]之间。

asimilarity_search_with_score(*args, **kwargs)

异步运行带距离的相似性搜索。

create_index([col_name, vector_col, ...])

在表上创建一个标量（用于非向量列）或向量索引。

delete([ids, delete_all, filter, ...])

允许通过过滤、按ID或从表中删除列来删除行。

encode_image(uri)

从图像URI获取base64字符串。

from_documents(documents, embedding, **kwargs)

返回从文档和嵌入初始化的VectorStore。

from_texts(texts, embedding[, metadatas, ...])

返回从文本和嵌入初始化的VectorStore。

get_by_ids(ids, /)

通过ID获取文档。

get_table([name, set_default])

从数据库中获取一个表对象。

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。

results_to_docs(results[, score])

search(query, search_type, **kwargs)

使用指定的搜索类型返回与查询最相似的文档。

similarity_search(query[, k, name, filter, fts])

返回与查询最相似的文档

similarity_search_by_vector(embedding[, k, ...])

返回与查询向量最相似的文档。

similarity_search_by_vector_with_relevance_scores(...)

返回与查询向量最相似的文档及其相关性分数。

similarity_search_with_relevance_scores(query)

返回文档和相关分数，分数范围在[0, 1]之间。

similarity_search_with_score(query[, k, filter])

返回与查询最相似的文档及其相关性分数。
__init__(connection: Any | None = None, embedding: Embeddings | None = None, uri: str | None = '/tmp/lancedb', vector_key: str | None = 'vector', id_key: str | None = 'id', text_key: str | None = 'text', table_name: str | None = 'vectorstore', api_key: str | None = None, region: str | None = None, mode: str | None = 'overwrite', table: Any | None = None, distance: str | None = 'l2', reranker: Any | None = None, relevance_score_fn: Callable[[float], float] | None = None, limit: int = 4)[来源]#

使用Lance DB向量存储进行初始化

Parameters:

  • connection (任意 | 无)

  • embedding (Embeddings | None)

  • uri (str | None)

  • vector_key (str | None)

  • id_key (str | None)

  • text_key (str | None)

  • table_name (str | None)

  • api_key (str | None)

  • region (str | None)

  • mode (str | None)

  • table (任意 | 无)

  • distance (str | None)

  • reranker (任意 | 无)

  • relevance_score_fn (Callable[[float], float] | None)

  • limit (int)

async aadd_documents(documents: list[Document], **kwargs: Any) → list[str]#

通过嵌入异步运行更多文档并将其添加到向量存储中。

Parameters:

  • documents (list[Document]) – 要添加到向量存储中的文档。

  • kwargs (Any) – 额外的关键字参数。

Returns:

已添加文本的ID列表。

Raises:

ValueError – 如果ID的数量与文档的数量不匹配。

Return type:

列表[字符串]

async aadd_texts(texts: Iterable[str], metadatas: list[dict] | None = None, *, ids: list[str] | None = None, **kwargs: Any) → list[str]#

异步运行更多文本通过嵌入并添加到向量存储中。

Parameters:

  • texts (Iterable[str]) – 要添加到向量存储中的字符串的可迭代对象。

  • metadatas (list[dict] | None) – 可选的与文本关联的元数据列表。默认值为 None。

  • ids (list[str] | None) – 可选的列表

  • **kwargs (Any) – 向量存储特定参数。

Returns:

将文本添加到向量存储中后的ID列表。

Raises:

  • ValueError – 如果元数据的数量与文本的数量不匹配。

  • ValueError – 如果id的数量与文本的数量不匹配。

Return type:

列表[字符串]

add_documents(documents: list[Document], **kwargs: Any) → list[str]#

在向量存储中添加或更新文档。

Parameters:

  • documents (list[Document]) – 要添加到向量存储中的文档。

  • kwargs (Any) – 额外的关键字参数。 如果 kwargs 包含 ids 并且 documents 也包含 ids， kwargs 中的 ids 将优先。

Returns:

已添加文本的ID列表。

Raises:

ValueError – 如果id的数量与文档的数量不匹配。

Return type:

列表[字符串]

add_images(uris: List[str], metadatas: List[dict] | None = None, ids: List[str] | None = None, **kwargs: Any) → List[str][source]#

通过嵌入运行更多图像并添加到向量存储中。

Parameters:

  • List[str] (uris) – 图像的文件路径。

  • metadatas (可选[列表[字典]], 可选) – 可选的元数据列表。

  • ids (Optional[List[str]], optional) – 可选的ID列表。

  • uris (列表[字符串])

  • kwargs (Any)

Returns:

添加图像的ID列表。

Return type:

列表[str]

add_texts(texts: Iterable[str], metadatas: List[dict] | None = None, ids: List[str] | None = None, **kwargs: Any) → List[str][source]#

将文本转换为嵌入并添加到数据库中

Parameters:

  • texts (Iterable[str]) – 要添加到向量存储中的字符串的可迭代对象。

  • metadatas (List[dict] | None) – 可选的与文本关联的元数据列表。

  • ids (List[str] | None) – 可选的id列表，用于与文本关联。

  • ids – 可选的与文本关联的ID列表。

  • kwargs (Any)

Returns:

已添加文本的ID列表。

Return type:

列表[str]

async adelete(ids: list[str] | None = None, **kwargs: Any) → bool | None#

通过向量ID或其他条件异步删除。

Parameters:

  • ids (list[str] | None) – 要删除的id列表。如果为None，则删除所有。默认值为None。

  • **kwargs (Any) – 子类可能使用的其他关键字参数。

Returns:

如果删除成功则为真， 否则为假，如果未实现则为无。

Return type:

可选[布尔]

async classmethod afrom_documents(documents: list[Document], embedding: Embeddings, **kwargs: Any) → VST#

异步返回从文档和嵌入初始化的VectorStore。

Parameters:

  • documents (list[Document]) – 要添加到向量存储中的文档列表。

  • embedding (Embeddings) – 使用的嵌入函数。

  • kwargs (Any) – 额外的关键字参数。

Returns:

从文档和嵌入初始化的VectorStore。

Return type:

VectorStore

async classmethod afrom_texts(texts: list[str], embedding: Embeddings, metadatas: list[dict] | None = None, *, ids: list[str] | None = None, **kwargs: Any) → VST#

异步返回从文本和嵌入初始化的VectorStore。

Parameters:

  • texts (list[str]) – 要添加到向量存储中的文本。

  • embedding (Embeddings) – 使用的嵌入函数。

  • metadatas (list[dict] | None) – 可选的与文本关联的元数据列表。默认值为 None。

  • ids (list[str] | None) – 可选的与文本关联的ID列表。

  • kwargs (Any) – 额外的关键字参数。

Returns:

VectorStore 从文本和嵌入初始化。

Return type:

VectorStore

async aget_by_ids(ids: Sequence[str], /) → list[Document]#

通过ID异步获取文档。

返回的文档预计将具有ID字段，该字段设置为向量存储中文档的ID。

如果某些ID未找到或存在重复的ID，返回的文档数量可能少于请求的数量。

用户不应假设返回文档的顺序与输入ID的顺序相匹配。相反，用户应依赖返回文档的ID字段。

如果没有找到某些ID的文档，此方法不应引发异常。

Parameters:

ids (Sequence[str]) – 要检索的ID列表。

Returns:

文档列表。

Return type:

列表[Document]

在版本0.2.11中添加。

异步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。

Parameters:

  • query (str) – 用于查找相似文档的文本。

  • k (int) – 返回的文档数量。默认为4。

  • fetch_k (int) – 要传递给MMR算法的文档数量。 默认值为20。

  • lambda_mult (float) – 介于0和1之间的数字，决定了结果之间的多样性程度，0对应最大多样性，1对应最小多样性。默认值为0.5。

  • kwargs (Any)

Returns:

通过最大边际相关性选择的文档列表。

Return type:

列表[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]#

异步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。

Parameters:

  • embedding (list[float]) – 用于查找相似文档的嵌入。

  • k (int) – 返回的文档数量。默认为4。

  • fetch_k (int) – 要传递给MMR算法的文档数量。 默认值为20。

  • lambda_mult (float) – 介于0和1之间的数字，决定了结果之间的多样性程度，0对应最大多样性，1对应最小多样性。默认值为0.5。

  • **kwargs (Any) – 传递给搜索方法的参数。

Returns:

通过最大边际相关性选择的文档列表。

Return type:

列表[Document]

as_retriever(**kwargs: Any) → VectorStoreRetriever#

返回从此VectorStore初始化的VectorStoreRetriever。

Parameters:

**kwargs (Any) –

传递给搜索函数的关键字参数。 可以包括： search_type (Optional[str]): 定义检索器应执行的搜索类型。 可以是“similarity”（默认）、“mmr”或“similarity_score_threshold”。

检索器应执行的搜索类型。 可以是“similarity”（默认）、“mmr”或“similarity_score_threshold”。

search_kwargs (Optional[Dict]): 传递给搜索函数的关键字参数。
可以包括以下内容：

k: 返回的文档数量（默认：4） score_threshold: 最小相关性阈值

用于similarity_score_threshold

fetch_k: 传递给MMR算法的文档数量

（默认：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：0.5）

filter: 按文档元数据过滤

Returns:

VectorStore的检索器类。

Return type:

VectorStoreRetriever

示例：

# Retrieve more documents with higher diversity
# Useful if your dataset has many similar documents
docsearch.as_retriever(
    search_type="mmr",
    search_kwargs={'k': 6, 'lambda_mult': 0.25}
)

# Fetch more documents for the MMR algorithm to consider
# But only return the top 5
docsearch.as_retriever(
    search_type="mmr",
    search_kwargs={'k': 5, 'fetch_k': 50}
)

# Only retrieve documents that have a relevance score
# Above a certain threshold
docsearch.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={'score_threshold': 0.8}
)

# Only get the single most similar document from the dataset
docsearch.as_retriever(search_kwargs={'k': 1})

# Use a filter to only retrieve documents from a specific paper
docsearch.as_retriever(
    search_kwargs={'filter': {'paper_title':'GPT-4 Technical Report'}}
)
async asearch(query: str, search_type: str, **kwargs: Any) → list[Document]#

异步返回与查询最相似的文档，使用指定的搜索类型。

Parameters:

  • query (str) – 输入文本。

  • search_type (str) – 要执行的搜索类型。可以是“similarity”、“mmr”或“similarity_score_threshold”。

  • **kwargs (Any) – 传递给搜索方法的参数。

Returns:

与查询最相似的文档列表。

Raises:

ValueError – 如果 search_type 不是 “similarity”、“mmr” 或 “similarity_score_threshold” 之一。

Return type:

列表[Document]

异步返回与查询最相似的文档。

Parameters:

  • query (str) – 输入文本。

  • k (int) – 返回的文档数量。默认为4。

  • **kwargs (Any) – 传递给搜索方法的参数。

Returns:

与查询最相似的文档列表。

Return type:

列表[Document]

async asimilarity_search_by_vector(embedding: list[float], k: int = 4, **kwargs: Any) → list[Document]#

异步返回与嵌入向量最相似的文档。

Parameters:

  • embedding (list[float]) – 用于查找相似文档的嵌入。

  • k (int) – 返回的文档数量。默认为4。

  • **kwargs (Any) – 传递给搜索方法的参数。

Returns:

与查询向量最相似的文档列表。

Return type:

列表[Document]

async asimilarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) → list[tuple[Document, float]]#

异步返回文档和相关度分数，范围在[0, 1]之间。

0 表示不相似，1 表示最相似。

Parameters:

  • query (str) – 输入文本。

  • k (int) – 返回的文档数量。默认为4。

  • **kwargs (Any) –

    传递给相似性搜索的kwargs。应包括： score_threshold: 可选，一个介于0到1之间的浮点值

    过滤检索到的文档集

Returns:

（文档，相似度分数）的元组列表

Return type:

列表[元组[Document, 浮点数]]

async asimilarity_search_with_score(*args: Any, **kwargs: Any) → list[tuple[Document, float]]#

异步运行带有距离的相似性搜索。

Parameters:

  • *args (Any) – 传递给搜索方法的参数。

  • **kwargs (Any) – 传递给搜索方法的参数。

Returns:

(文档, 相似度分数) 的元组列表。

Return type:

列表[元组[Document, 浮点数]]

create_index(col_name: str | None = None, vector_col: str | None = None, num_partitions: int | None = 256, num_sub_vectors: int | None = 96, index_cache_size: int | None = None, metric: str | None = 'L2', name: str | None = None) → None[source]#

在表上创建一个标量（针对非向量列）或向量索引。 在创建索引之前，请确保您的向量列有足够的数据。

Parameters:

  • vector_col (str | None) – 如果您想在向量列上创建索引，请提供此参数。

  • col_name (str | None) – 如果您想在非向量列上创建索引，请提供此参数。

  • metric (str | None) – 提供用于向量索引的度量标准。默认为‘L2’ 可选的度量标准：‘L2’, ‘dot’, ‘cosine’

  • num_partitions (int | None) – 用于索引的分区数。默认为256。

  • num_sub_vectors (int | None) – 用于索引的子向量数量。默认为96。

  • index_cache_size (int | None) – 索引缓存的大小。默认为 None。

  • name (str | None) – 要创建索引的表的名称。默认为 None。

Returns:

无

Return type:

无

delete(ids: List[str] | None = None, delete_all: bool | None = None, filter: str | None = None, drop_columns: List[str] | None = None, name: str | None = None, **kwargs: Any) → None[来源]#

允许通过过滤、按ID或从表中删除列来删除行。

Parameters:

  • filter (str | None) – 提供一个字符串SQL表达式 - “{col} {operation} {value}”。

  • ids (List[str] | None) – 提供要从表中删除的ID列表。

  • drop_columns (List[str] | None) – 提供要从表中删除的列的列表。

  • delete_all (bool | None) – 如果为True，则删除表中的所有行。

  • 名称 (字符串 | 无)

  • kwargs (Any)

Return type:

无

encode_image(uri: str) → str[source]#

从图像URI获取base64字符串。

Parameters:

uri (str)

Return type:

字符串

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]) – 要添加到向量存储中的文档列表。

  • embedding (Embeddings) – 使用的嵌入函数。

  • kwargs (Any) – 额外的关键字参数。

Returns:

从文档和嵌入初始化的VectorStore。

Return type:

VectorStore

classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: List[dict] | None = None, connection: Any | None = None, vector_key: str | None = 'vector', id_key: str | None = 'id', text_key: str | None = 'text', table_name: str | None = 'vectorstore', api_key: str | None = None, region: str | None = None, mode: str | None = 'overwrite', distance: str | None = 'l2', reranker: Any | None = None, relevance_score_fn: Callable[[float], float] | None = None, **kwargs: Any) → LanceDB[来源]#

返回从文本和嵌入初始化的VectorStore。

Parameters:

  • texts (List[str]) – 要添加到向量存储中的文本。

  • embedding (Embeddings) – 使用的嵌入函数。

  • metadatas (List[dict] | None) – 可选的与文本关联的元数据列表。默认值为 None。

  • ids – 与文本关联的可选ID列表。

  • kwargs (Any) – 额外的关键字参数。

  • connection (任意 | 无)

  • vector_key (str | None)

  • id_key (str | None)

  • text_key (str | None)

  • table_name (str | None)

  • api_key (str | None)

  • region (str | None)

  • mode (str | None)

  • distance (str | None)

  • reranker (任意 | 无)

  • relevance_score_fn (Callable[[float], float] | None)

Returns:

VectorStore 从文本和嵌入初始化。

Return type:

VectorStore

get_by_ids(ids: Sequence[str], /) → list[Document]#

通过ID获取文档。

返回的文档预计将具有ID字段，该字段设置为向量存储中文档的ID。

如果某些ID未找到或存在重复的ID，返回的文档数量可能少于请求的数量。

用户不应假设返回文档的顺序与输入ID的顺序相匹配。相反，用户应依赖返回文档的ID字段。

如果没有找到某些ID的文档，此方法不应引发异常。

Parameters:

ids (Sequence[str]) – 要检索的ID列表。

Returns:

文档列表。

Return type:

列表[Document]

在版本0.2.11中添加。

get_table(name: str | None = None, set_default: bool | None = False) → Any[来源]#

从数据库中获取一个表对象。

Parameters:

  • name (str, optional) – 要获取的表的名称。默认为 None，并获取当前表对象。

  • set_default (bool, optional) – 将获取的表设置为默认表。 默认为 False。

Returns:

获取的表对象。

Return type:

任何

Raises:

ValueError – 如果在数据库中找不到指定的表。

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以及所选文档之间的多样性。

Parameters:

  • query (str) – 用于查找相似文档的文本。

  • k (int | None) – 要返回的文档数量。默认为4。

  • fetch_k (int) – 要获取并传递给MMR算法的文档数量。

  • lambda_mult (float) – 介于0和1之间的数字，决定了结果之间的多样性程度，0对应最大多样性，1对应最小多样性。默认值为0.5。

  • filter (可选[Dict[str, str]]) – 通过元数据进行过滤。默认为 None。

  • kwargs (Any)

Returns:

通过最大边际相关性选择的文档列表。

Return type:

列表[文档]

max_marginal_relevance_search_by_vector(embedding: List[float], k: int | None = None, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Dict[str, str] | None = 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以及所选文档之间的多样性。

Parameters:

  • embedding (List[float]) – 用于查找相似文档的嵌入。

  • k (int | None) – 返回的文档数量。默认为4。

  • fetch_k (int) – 要获取并传递给MMR算法的文档数量。

  • lambda_mult (float) – 介于0和1之间的数字，决定了结果之间的多样性程度，0对应最大多样性，1对应最小多样性。默认值为0.5。

  • filter (可选[Dict[str, str]]) – 通过元数据进行过滤。默认为 None。

  • kwargs (Any)

Returns:

通过最大边际相关性选择的文档列表。

Return type:

列表[文档]

results_to_docs(results: Any, score: bool = False) → Any[source]#
Parameters:

  • results (任何)

  • score (bool)

Return type:

任何

search(query: str, search_type: str, **kwargs: Any) → list[Document]#

使用指定的搜索类型返回与查询最相似的文档。

Parameters:

  • query (str) – 输入文本

  • search_type (str) – 要执行的搜索类型。可以是“similarity”、“mmr”或“similarity_score_threshold”。

  • **kwargs (Any) – 传递给搜索方法的参数。

Returns:

与查询最相似的文档列表。

Raises:

ValueError – 如果 search_type 不是 “similarity”、“mmr” 或 “similarity_score_threshold” 之一。

Return type:

列表[Document]

返回与查询最相似的文档

Parameters:

  • query (str) – 用于查询向量存储的字符串。

  • k (int | None) – 返回的文档数量。

  • filter (可选[字典]) –

    可选的过滤参数 sql_filter(可选[字符串]): 应用于查询的SQL过滤器。 prefilter(可选[布尔值]): 是否在向量搜索之前应用过滤器。

    在向量搜索之前。

  • 名称 (字符串 | 无)

  • fts (bool | None)

  • kwargs (Any)

Raises:

ValueError – 如果在数据库中找不到指定的表。

Returns:

与查询最相似的文档列表。

Return type:

列表[文档]

similarity_search_by_vector(embedding: List[float], k: int | None = None, filter: Dict[str, str] | None = None, name: str | None = None, **kwargs: Any) → Any[source]#

返回与查询向量最相似的文档。

Parameters:

  • embedding (列表[浮点数])

  • k (int | None)

  • filter (Dict[str, str] | None)

  • 名称 (字符串 | 无)

  • kwargs (Any)

Return type:

任何

similarity_search_by_vector_with_relevance_scores(embedding: List[float], k: int | None = None, filter: Dict[str, str] | None = None, name: str | None = None, **kwargs: Any) → Any[source]#

返回与查询向量最相似的文档及其相关性分数。

Parameters:

  • embedding (列表[浮点数])

  • k (int | None)

  • filter (Dict[str, str] | None)

  • 名称 (字符串 | 无)

  • kwargs (Any)

Return type:

任何

similarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) → list[tuple[Document, float]]#

返回文档和相关度分数，范围在[0, 1]之间。

0 表示不相似，1 表示最相似。

Parameters:

  • query (str) – 输入文本。

  • k (int) – 返回的文档数量。默认为4。

  • **kwargs (Any) –

    传递给相似性搜索的kwargs。应包括： score_threshold: 可选，一个介于0到1之间的浮点值

    用于过滤检索到的文档集。

Returns:

(文档, 相似度分数) 的元组列表。

Return type:

列表[元组[Document, 浮点数]]

similarity_search_with_score(query: str, k: int | None = None, filter: Dict[str, str] | None = None, **kwargs: Any) → Any[source]#

返回与查询最相似的文档及其相关性分数。

Parameters:

  • query (str)

  • k (int | None)

  • filter (Dict[str, str] | None)

  • kwargs (Any)

Return type:

任何

使用LanceDB的示例