匹配引擎#

class langchain_community.vectorstores.matching_engine.MatchingEngine(project_id: str, index: MatchingEngineIndex, endpoint: MatchingEngineIndexEndpoint, embedding: Embeddings, gcs_client: storage.Client, gcs_bucket_name: str, credentials: Credentials | None = None, *, document_id_key: str | None = None)[source]#

自版本0.0.12起已弃用：请改用:class:`~langchain_google_vertexai.VectorSearchVectorStore`。在langchain-community==1.0之前不会移除。

Google Vertex AI 向量搜索（之前称为 Matching Engine）向量存储。

虽然嵌入存储在匹配引擎中，但嵌入的文档将存储在GCS中。

使用此模块的前提条件是存在现有的索引和相应的端点。

请参阅文档/integrations/vectorstores/google_vertex_ai_vector_search.ipynb中的使用示例

请注意，如果您计划进行实时实现，此实现主要用于读取。虽然读取是实时操作，但更新索引需要接近一小时。

Google Vertex AI Vector Search (previously Matching Engine)

向量存储的实现。

虽然嵌入存储在匹配引擎中，但嵌入的文档将存储在GCS中。

使用此模块的前提条件是存在现有的索引和相应的端点。

参见使用文档 docs/integrations/vectorstores/google_vertex_ai_vector_search.ipynb。

请注意，如果您计划进行实时实现，此实现主要用于读取。虽然读取是实时操作，但更新索引需要接近一小时。

Parameters:

  • project_id (str)

  • index (MatchingEngineIndex)

  • endpoint (MatchingEngineIndexEndpoint)

  • embedding (Embeddings)

  • gcs_client (storage.Client)

  • gcs_bucket_name (str)

  • credentials (可选[Credentials])

  • document_id_key (可选[str])

project_id#

GCS 项目 ID。

index#

创建的索引类。请参见 ~:func:MatchingEngine.from_components。

endpoint#

创建的端点类。请参见 ~:func:MatchingEngine.from_components。

embedding#

一个Embeddings将用于嵌入发送的文本。如果没有发送，则将使用多语言的Tensorflow通用句子编码器。

gcs_client#

GCS客户端。

gcs_bucket_name#

GCS存储桶名称。

credentials#

已创建GCP凭据。

Type:

可选的

document_id_key#

用于在文档元数据中存储文档ID的键。如果为None，则文档ID将不会在文档元数据中返回。

Type:

可选的

属性

embeddings

如果可用，访问查询嵌入对象。

方法

__init__(project_id, index, endpoint, ...[, ...])

Google Vertex AI 向量搜索（之前称为 Matching Engine）

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_texts(texts[, metadatas])

通过嵌入运行更多文本并将其添加到向量存储中。

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。

delete([ids])

通过向量ID或其他条件删除。

from_components(project_id, region, ...[, ...])

将对象创建从构造函数中移出。

from_documents(documents, embedding, **kwargs)

返回从文档和嵌入初始化的VectorStore。

from_texts(texts, embedding[, metadatas])

使用组件代替。

get_by_ids(ids, /)

通过ID获取文档。

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。

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, filter])

返回与查询最相似的文档。

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

返回与嵌入最相似的文档。

similarity_search_by_vector_with_score(embedding)

返回与嵌入最相似的文档及其余弦距离。

similarity_search_with_relevance_scores(query)

返回文档和相关度分数，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与查询的余弦距离。
__init__(project_id: str, index: MatchingEngineIndex, endpoint: MatchingEngineIndexEndpoint, embedding: Embeddings, gcs_client: storage.Client, gcs_bucket_name: str, credentials: Credentials | None = None, *, document_id_key: str | None = None)[来源]#
Google Vertex AI Vector Search (previously Matching Engine)

向量存储的实现。

虽然嵌入存储在匹配引擎中，但嵌入的文档将存储在GCS中。

使用此模块的前提条件是存在现有的索引和相应的端点。

参见使用文档 docs/integrations/vectorstores/google_vertex_ai_vector_search.ipynb。

请注意，如果您计划进行实时实现，此实现主要用于读取。虽然读取是实时操作，但更新索引需要接近一小时。

Parameters:

  • project_id (str)

  • index (MatchingEngineIndex)

  • endpoint (MatchingEngineIndexEndpoint)

  • embedding (Embeddings)

  • gcs_client (storage.Client)

  • gcs_bucket_name (str)

  • credentials (可选[Credentials])

  • document_id_key (可选[str])

project_id#

GCS 项目 ID。

index#

创建的索引类。请参见 ~:func:MatchingEngine.from_components。

endpoint#

创建的端点类。请参见 ~:func:MatchingEngine.from_components。

embedding#

一个Embeddings将用于嵌入发送的文本。如果没有发送，则将使用多语言的Tensorflow通用句子编码器。

gcs_client#

GCS客户端。

gcs_bucket_name#

GCS存储桶名称。

credentials#

已创建GCP凭据。

Type:

可选的

document_id_key#

用于在文档元数据中存储文档ID的键。如果为None，则文档ID将不会在文档元数据中返回。

Type:

可选的

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

通过嵌入运行更多文本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。

  • 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。

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]]

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

根据向量ID或其他条件删除。

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]

classmethod from_components(project_id: str, region: str, gcs_bucket_name: str, index_id: str, endpoint_id: str, credentials_path: str | None = None, embedding: Embeddings | None = None, **kwargs: Any) → MatchingEngine[来源]#

将对象创建从构造函数中移出。

Parameters:

  • project_id (str) – GCP项目ID。

  • region (str) – 进行API调用的默认位置。它必须具有

  • regional. (与GCS存储桶位于同一位置且必须)

  • gcs_bucket_name (str) – 向量将存储的位置

  • created. (索引的创建顺序)

  • index_id (str) – 创建的索引的ID。

  • endpoint_id (str) – 创建的端点的ID。

  • credentials_path (str | None) – （可选）Google 凭据的路径

  • system. (本地文件)

  • embedding (Embeddings | None) – 将用于的 Embeddings

  • 文本。 (嵌入)

  • kwargs (Any) – 传递给MatchingEngine.__init__()的额外关键字参数。

Returns:

一个配置好的MatchingEngine，已将文本添加到索引中。

Return type:

MatchingEngine

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, **kwargs: Any) → MatchingEngine[来源]#

请从组件中使用。

Parameters:

  • 文本 (列表[字符串])

  • embedding (Embeddings)

  • metadatas (列表[字典] | 无)

  • kwargs (Any)

Return type:

MatchingEngine

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。

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) – 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]

max_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。

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]

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) – 用于搜索相似文档的字符串。

  • k (int) – 将要检索的邻居数量。

  • filter (可选[列表[命名空间]]) –

    可选。用于过滤匹配结果的命名空间列表。 例如： [Namespace(“color”, [“red”], []), Namespace(“shape”, [], [“squared”])] 将匹配满足“红色”的数据点，但不包括具有“方形”形状的数据点。请参考 https://cloud.google.com/vertex-ai/docs/matching-engine/filtering#json

    了解更多详情。

  • kwargs (Any)

Returns:

一个包含k个匹配文档的列表。

Return type:

列表[Document]

similarity_search_by_vector(embedding: List[float], k: int = 4, filter: List[Namespace] | None = None, **kwargs: Any) → List[Document][source]#

返回与嵌入最相似的文档。

Parameters:

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

  • k (int) – 将要检索的邻居数量。

  • filter (可选[列表[命名空间]]) –

    可选。用于过滤匹配结果的命名空间列表。 例如： [Namespace(“color”, [“red”], []), Namespace(“shape”, [], [“squared”])] 将匹配满足“红色”但不包括“方形”的数据点。请参考 https://cloud.google.com/vertex-ai/docs/matching-engine/filtering#json

    了解更多详情。

  • kwargs (Any)

Returns:

一个包含k个匹配文档的列表。

Return type:

列表[Document]

similarity_search_by_vector_with_score(embedding: List[float], k: int = 4, filter: List[Namespace] | None = None) → List[Tuple[Document, float]][source]#

返回与嵌入最相似的文档及其余弦距离。

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。

  • filter (Optional[List[Namespace]]) – 可选。用于过滤匹配结果的命名空间列表。 例如： [Namespace(“color”, [“red”], []), Namespace(“shape”, [], [“squared”])] 将匹配满足“红色”的数据点，但不包括具有“方形”形状的数据点。请参阅 https://cloud.google.com/vertex-ai/docs/matching-engine/filtering#json 了解更多详情。

Returns:

与查询文本最相似的文档列表以及每个文档的余弦距离（浮点数）。分数越低表示相似度越高。

Return type:

列表[元组[Document, 浮点数]]

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 = 4, filter: List[Namespace] | None = None) → List[Tuple[Document, float]][source]#

返回与查询最相似的文档及其与查询的余弦距离。

Parameters:

  • query (str) – 字符串查询，用于查找相似的文档。

  • k (int) – 返回的文档数量。默认为4。

  • filter (可选[列表[命名空间]]) – 可选。用于过滤匹配结果的命名空间列表。 例如： [Namespace(“color”, [“red”], []), Namespace(“shape”, [], [“squared”])] 将匹配满足“红色”的数据点，但不包括具有“方形”形状的数据点。请参阅 https://cloud.google.com/vertex-ai/docs/matching-engine/filtering#json 了解更多详情。

Returns:

与查询文本最相似的文档列表以及每个文档的余弦距离（浮点数）。分数越低表示相似度越高。

Return type:

列表[元组[Document, 浮点数]]