vlite
VLite 是一个简单且极速的向量数据库，允许您使用嵌入语义地存储和检索数据。使用 numpy 制作，vlite 是一个轻量级的、包含电池的数据库，可在您的项目中实现 RAG、相似性搜索和嵌入。
你需要安装 langchain-community 使用 pip install -qU langchain-community 来使用这个集成
安装
要在LangChain中使用VLite，你需要安装vlite包：
!pip install vlite
导入 VLite
from langchain_community.vectorstores import VLite
API Reference:VLite
基本示例
在这个基本示例中，我们加载一个文本文档，并将其存储在VLite向量数据库中。然后，我们执行相似性搜索以根据查询检索相关文档。
VLite 为您处理文本的分块和嵌入，您可以通过预先分块文本和/或将这些块嵌入到 VLite 数据库中来更改这些参数。
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
# Load the document and split it into chunks
loader = TextLoader("path/to/document.txt")
documents = loader.load()
# Create a VLite instance
vlite = VLite(collection="my_collection")
# Add documents to the VLite vector database
vlite.add_documents(documents)
# Perform a similarity search
query = "What is the main topic of the document?"
docs = vlite.similarity_search(query)
# Print the most relevant document
print(docs[0].page_content)
API Reference:TextLoader | CharacterTextSplitter
添加文本和文档
您可以使用add_texts和add_documents方法分别向VLite向量数据库添加文本或文档。
# Add texts to the VLite vector database
texts = ["This is the first text.", "This is the second text."]
vlite.add_texts(texts)
# Add documents to the VLite vector database
documents = [Document(page_content="This is a document.", metadata={"source": "example.txt"})]
vlite.add_documents(documents)
相似性搜索
VLite 提供了对存储文档执行相似性搜索的方法。
# Perform a similarity search
query = "What is the main topic of the document?"
docs = vlite.similarity_search(query, k=3)
# Perform a similarity search with scores
docs_with_scores = vlite.similarity_search_with_score(query, k=3)
最大边际相关性搜索
VLite 还支持最大边际相关性（MMR）搜索，该搜索优化了与查询的相似性和检索文档之间的多样性。
# Perform an MMR search
docs = vlite.max_marginal_relevance_search(query, k=3)
更新和删除文档
您可以使用update_document和delete方法在VLite向量数据库中更新或删除文档。
# Update a document
document_id = "doc_id_1"
updated_document = Document(page_content="Updated content", metadata={"source": "updated.txt"})
vlite.update_document(document_id, updated_document)
# Delete documents
document_ids = ["doc_id_1", "doc_id_2"]
vlite.delete(document_ids)
检索文档
您可以使用get方法根据ID或元数据从VLite向量数据库中检索文档。
# Retrieve documents by IDs
document_ids = ["doc_id_1", "doc_id_2"]
docs = vlite.get(ids=document_ids)
# Retrieve documents by metadata
metadata_filter = {"source": "example.txt"}
docs = vlite.get(where=metadata_filter)
创建 VLite 实例
您可以使用多种方法创建VLite实例：
# Create a VLite instance from texts
vlite = VLite.from_texts(texts)
# Create a VLite instance from documents
vlite = VLite.from_documents(documents)
# Create a VLite instance from an existing index
vlite = VLite.from_existing_index(collection="existing_collection")
附加功能
VLite 提供了管理向量数据库的附加功能：
from langchain.vectorstores import VLite
vlite = VLite(collection="my_collection")
# Get the number of items in the collection
count = vlite.count()
# Save the collection
vlite.save()
# Clear the collection
vlite.clear()
# Get collection information
vlite.info()
# Dump the collection data
data = vlite.dump()