美洲虎#

class langchain_community.vectorstores.jaguar.Jaguar(pod: str, store: str, vector_index: str, vector_type: str, vector_dimension: int, url: str, embedding: Embeddings)[来源]#

Jaguar API 向量存储。

参见 http://www.jaguardb.com 参见 fserv/jaguar-sdk

示例

from langchain_community.vectorstores.jaguar import Jaguar

vectorstore = Jaguar(
    pod = 'vdb',
    store = 'mystore',
    vector_index = 'v',
    vector_type = 'cosine_fraction_float',
    vector_dimension = 1536,
    url='http://192.168.8.88:8080/fwww/',
    embedding=openai_model
)

属性

embeddings

如果可用，访问查询嵌入对象。

方法

`__init__`(pod, store, vector_index, ...)
`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])	通过嵌入添加文本并将其添加到向量存储中。 :param texts: 要添加到jaguar向量存储的文本字符串列表。 :param metadatas: 与文本关联的可选元数据列表。 [{"m1": "v11", "m2": "v12", "m3": "v13", "filecol": "path_file1.jpg" }, {"m1": "v21", "m2": "v22", "m3": "v23", "filecol": "path_file2.jpg" }, {"m1": "v31", "m2": "v32", "m3": "v33", "filecol": "path_file3.jpg" }, {"m1": "v41", "m2": "v42", "m3": "v43", "filecol": "path_file4.jpg" }] :param kwargs: vector_index=name_of_vector_index file_column=name_of_file_column.
`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, /)	通过ID异步获取文档。
`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。
`clear`()	删除jaguardb中的所有记录参数：无返回值：无
`count`()	计算jaguardb中存储的记录数参数：无返回：(int) pod存储中的记录数
`create`(metadata_str, text_size)	在后端数据库上创建向量存储 :param metadata_str: 列及其类型 :type metadata_str: str
`delete`(zids, **kwargs)	通过零ID列表删除jaguardb中的记录 :param pod: Pod的名称 :type pod: str :param ids: 作为字符串的zid列表 :type ids: List[str]
`drop`()	在jaguardb中删除或移除一个存储参数：无返回值：无
`from_documents`(documents, embedding, **kwargs)	返回从文档和嵌入初始化的VectorStore。
`from_texts`(texts, embedding, url, pod, ...)	返回从文本和嵌入初始化的VectorStore。
`get_by_ids`(ids, /)	通过ID获取文档。
`is_anomalous`(query, **kwargs)	检测给定文本是否与数据集中的异常 :param query: 要检测是否为异常的文本
`login`([jaguar_api_key])	使用jaguar_api_key登录jaguardb服务器或让self._jag找到一个密钥 :param pod: Pod的名称 :type pod: str :param store: 向量存储的名称 :type store: str :param optional jaguar_api_key: 用户到jaguardb服务器的API密钥 :type optional jaguar_api_key: str
`logout`()	注销以清理资源参数：无返回值：无
`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。
`prt`(msg)
`run`(query[, withFile])	在jaguardb中运行任何查询语句 :param query: 要执行的查询语句 :type query: str
`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, where, metadatas])	返回与查询最相似的Jaguar文档，以及分数。 :param query: 要查找相似文档的文本。 :param k: 要返回的文档数量。默认为5。 :param where: 在select similarity中的where子句。例如，一个where子句可以是 "rating > 3.0 and (state = 'NV' or state = 'CA')"。
`similarity_search_by_vector`(embedding[, k])	返回与嵌入向量最相似的文档。
`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, ...])	返回与查询最相似的Jaguar文档及其分数。 :param query: 要查找相似文档的文本。 :param k: 要返回的文档数量。默认为3。 :param lambda_val: 混合搜索的词汇匹配参数。 :param where: 选择相似性时的where子句。例如，where可以是 "rating > 3.0 and (state = 'NV' or state = 'CA')" :param args: 传递给选择相似性的额外选项 :param kwargs: vector_index=vcol, vector_type=cosine_fraction_float。

Parameters:

pod (str)
store (str)
vector_index (str)
vector_type (str)
vector_dimension (int)
url (str)
embedding (Embeddings)

__init__(pod: str, store: str, vector_index: str, vector_type: str, vector_dimension: int, url: str, embedding: Embeddings)[source]#

Parameters:

pod (str)
store (str)
vector_index (str)
vector_type (str)
vector_dimension (int)
url (str)
embedding (Embeddings)

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: List[str], metadatas: List[dict] | None = None, **kwargs: Any) → List[str][来源]#

通过嵌入添加文本并将其添加到向量存储中。 :param texts: 要添加到jaguar向量存储的文本字符串列表。 :param metadatas: 与文本关联的可选元数据列表。

[{“m1”: “v11”, “m2”: “v12”, “m3”: “v13”, “filecol”: “path_file1.jpg” },
{“m1”: “v21”, “m2”: “v22”, “m3”: “v23”, “filecol”: “path_file2.jpg” }, {“m1”: “v31”, “m2”: “v32”, “m3”: “v33”, “filecol”: “path_file3.jpg” }, {“m1”: “v41”, “m2”: “v42”, “m3”: “v43”, “filecol”: “path_file4.jpg” }]

Parameters:

kwargs (Any) – vector_index=name_of_vector_index file_column=name_of_file_column
文本 (列表[字符串])
metadatas (列表[字典] | 无)

Returns:

将文本添加到向量存储中的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。

async amax_marginal_relevance_search(query: str, 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:

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]

async asimilarity_search(query: str, k: int = 4, **kwargs: Any) → list[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]]

clear() → None[来源]#

删除jaguardb中的所有记录参数：无参数返回值：无

Return type:: 无

count() → int[source]#

计算jaguardb中某个存储的记录数参数：无参数返回：(int) pod存储中的记录数

Return type:: 整数

create(metadata_str: str, text_size: int) → None[来源]#

在后端数据库上创建向量存储 :param metadata_str: 列及其类型 :type metadata_str: str

Returns:

如果成功则为真；如果不成功则为假

Parameters:

metadata_str (str)
text_size (int)

Return type:

无

delete(zids: List[str], **kwargs: Any) → None[source]#

通过零ID列表删除jaguardb中的记录 :param pod: Pod的名称 :type pod: str :param ids: 作为字符串的zid列表 :type ids: List[str]

Returns:

不要返回任何内容

Parameters:

zids (列表[字符串])
kwargs (Any)

Return type:

无

drop() → None[来源]#

删除或移除jaguardb中的存储参数：无参数返回：无

Return type:: 无

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, url: str, pod: str, store: str, vector_index: str, vector_type: str, vector_dimension: int, metadatas: List[dict] | None = None, jaguar_api_key: str | None = '', **kwargs: Any) → Jaguar[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。
url (str)
pod (str)
store (str)
vector_index (str)
vector_type (str)
vector_dimension (int)
jaguar_api_key (str | 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。

is_anomalous(query: str, **kwargs: Any) → bool[source]#

检测给定文本是否与数据集中的异常 :param query: 要检测是否为异常的文本

Returns:

真或假

Parameters:

query (str)
kwargs (Any)

Return type:

布尔

login(jaguar_api_key: str | None = '') → bool[source]#

使用jaguar_api_key登录jaguardb服务器或让self._jag查找密钥 :param pod: Pod的名称 :type pod: str :param store: 向量存储的名称 :type store: str :param optional jaguar_api_key: 用户访问jaguardb服务器的API密钥 :type optional jaguar_api_key: str

Returns:: 如果成功则为真；如果不成功则为假
Parameters:: jaguar_api_key (str | None)
Return type:: 布尔

logout() → None[source]#

注销以清理资源参数：无参数返回值：无

Return type:: 无

max_marginal_relevance_search(query: str, 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:

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]

prt(msg: str) → None[source]#

Parameters:: 消息 (字符串)
Return type:: 无

run(query: str, withFile: bool = False) → dict[来源]#

在jaguardb中运行任何查询语句 :param query: 要执行的jaguardb查询语句 :type query: str

Returns:

无效令牌为None，或 json结果字符串

Parameters:

query (str)
withFile (bool)

Return type:

字典

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]

similarity_search(query: str, k: int = 3, where: str | None = None, metadatas: List[str] | None = None, **kwargs: Any) → List[Document][source]#

返回与查询最相似的Jaguar文档，以及分数。 :param query: 要查找相似文档的文本。 :param k: 要返回的文档数量。默认为5。 :param where: 选择相似性时的where子句。例如a

其中可以是“rating > 3.0 且 (state = ‘NV’ 或 state = ‘CA’)”

Returns:

与查询最相似的文档列表

Parameters:

query (str)
k (整数)
where (str | None)
metadatas (列表[字符串] | 无)
kwargs (Any)

Return type:

列表[文档]

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

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]

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 = 3, fetch_k: int = -1, where: str | None = None, args: str | None = None, metadatas: List[str] | None = None, **kwargs: Any) → List[Tuple[Document, float]][source]#

返回与查询最相似的Jaguar文档，以及分数。 :param query: 要查找相似文档的文本。 :param k: 要返回的文档数量。默认为3。 :param lambda_val: 混合搜索的词汇匹配参数。 :param where: 选择相似性时的where子句。例如a

其中可以是“rating > 3.0 且 (state = ‘NV’ 或 state = ‘CA’)”

Parameters:

args (str | None) – 传递给选择相似性的额外选项
kwargs (Any) – vector_index=vcol, vector_type=cosine_fraction_float
query (str)
k (整数)
fetch_k (int)
where (str | None)
metadatas (列表[字符串] | 无)

Returns:

与查询最相似的文档列表及每个文档的得分。文档与相似度得分的元组列表：

[ (doc, score), (doc, score), …]

Return type:

列表[元组[文档, 浮点数]]

使用Jaguar的示例