AzureCosmosDBNoSql语义缓存#

class langchain_community.cache.AzureCosmosDBNoSqlSemanticCache(embedding: Embeddings, cosmos_client: CosmosClient, database_name: str = 'CosmosNoSqlCacheDB', container_name: str = 'CosmosNoSqlCacheContainer', *, vector_embedding_policy: Dict[str, Any], indexing_policy: Dict[str, Any], cosmos_container_properties: Dict[str, Any], cosmos_database_properties: Dict[str, Any], create_container: bool = True)[source]#

使用Cosmos DB NoSQL后端的缓存

方法

__init__(embedding, cosmos_client[, ...])

aclear(**kwargs)

异步清除缓存，可以接受额外的关键字参数。

alookup(prompt, llm_string)

基于提示和llm_string的异步查找。

aupdate(prompt, llm_string, return_val)

基于提示和llm_string异步更新缓存。

clear(**kwargs)

清除给定llm_string的语义缓存。

lookup(prompt, llm_string)

根据提示进行查找。

update(prompt, llm_string, return_val)

根据提示和llm_string更新缓存。
Parameters:

  • embedding (Embeddings)

  • cosmos_client (CosmosClient)

  • database_name (str)

  • container_name (str)

  • vector_embedding_policy (Dict[str, Any])

  • indexing_policy (Dict[str, Any])

  • cosmos_container_properties (Dict[str, Any])

  • cosmos_database_properties (Dict[str, Any])

  • create_container (bool)

__init__(embedding: Embeddings, cosmos_client: CosmosClient, database_name: str = 'CosmosNoSqlCacheDB', container_name: str = 'CosmosNoSqlCacheContainer', *, vector_embedding_policy: Dict[str, Any], indexing_policy: Dict[str, Any], cosmos_container_properties: Dict[str, Any], cosmos_database_properties: Dict[str, Any], create_container: bool = True)[source]#
Parameters:

  • embedding (Embeddings)

  • cosmos_client (CosmosClient)

  • database_name (str)

  • container_name (str)

  • vector_embedding_policy (Dict[str, Any])

  • indexing_policy (Dict[str, Any])

  • cosmos_container_properties (Dict[str, Any])

  • cosmos_database_properties (Dict[str, Any])

  • create_container (bool)

async aclear(**kwargs: Any) → None#

异步清除缓存，可以接受额外的关键字参数。

Parameters:

kwargs (任意)

Return type:

无

async alookup(prompt: str, llm_string: str) → Sequence[Generation] | None#

基于提示和llm_string的异步查找。

缓存实现预计会从提示和llm_string的二元组生成一个键（例如，通过用分隔符连接它们）。

Parameters:

  • prompt (str) – 提示的字符串表示。 在聊天模型的情况下，提示是将提示非平凡地序列化为语言模型。

  • llm_string (str) – LLM配置的字符串表示。 这用于捕获LLM的调用参数 （例如，模型名称、温度、停止标记、最大标记等）。 这些调用参数被序列化为字符串 表示。

Returns:

在缓存未命中时，返回 None。在缓存命中时，返回缓存的值。 缓存的值是 Generations（或其子类）的列表。

Return type:

序列[生成] | 无

async aupdate(prompt: str, llm_string: str, return_val: Sequence[Generation]) → None#

根据提示和llm_string异步更新缓存。

提示和llm_string用于生成缓存的键。 该键应与查找方法的键匹配。

Parameters:

  • prompt (str) – 提示的字符串表示。 在聊天模型的情况下，提示是将提示非平凡地序列化为语言模型。

  • llm_string (str) – LLM配置的字符串表示。 这用于捕获LLM的调用参数 （例如，模型名称、温度、停止标记、最大标记等）。 这些调用参数被序列化为字符串 表示。

  • return_val (Sequence[Generation]) – 要缓存的值。该值是一个Generations（或其子类）的列表。

Return type:

无

clear(**kwargs: Any) → None[source]#

清除给定llm_string的语义缓存。

Parameters:

kwargs (任意)

Return type:

无

lookup(prompt: str, llm_string: str) → Sequence[Generation] | None[source]#

根据提示进行查找。

Parameters:

  • prompt (str)

  • llm_string (str)

Return type:

序列[生成] | 无

update(prompt: str, llm_string: str, return_val: Sequence[Generation]) → None[source]#

根据提示和llm_string更新缓存。

Parameters:

  • prompt (str)

  • llm_string (str)

  • return_val (Sequence[Generation])

Return type:

无