Skip to main content

MemoryVectorStore

LangChain 提供了一个内存中的临时向量存储，它将嵌入存储在内存中，并通过精确的线性搜索查找最相似的嵌入。默认的相似性度量是余弦相似度，但可以更改为 ml-distance 支持的任何相似性度量。

由于其旨在用于演示，因此尚不支持 ID 或删除功能。

本指南提供了开始使用内存中的 向量存储 的快速概述。如需详细了解所有 MemoryVectorStore 功能和配置，请参阅 API 参考文档。

概览​

集成详情​

类包Python 支持包最新版本
MemoryVectorStorelangchain❌NPM - 版本

环境配置​

如需使用内存中的向量存储，你需要安装 langchain 包：

本指南还将使用 OpenAI 嵌入模型，这要求你安装 @langchain/openai 集成包。当然，你也可以选择使用其他支持的嵌入模型。

:::提示 请参阅安装集成包的一般说明部分。 :::

yarn add langchain @langchain/openai @langchain/core

凭证​

使用内存中的向量存储不需要任何凭证。

如果你在本指南中使用 OpenAI 嵌入模型，则还需要设置你的 OpenAI 密钥：

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果你想对模型调用进行自动化追踪，也可以取消以下 LangSmith API 密钥设置的注释：

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="your-api-key"

实例化​

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const vectorStore = new MemoryVectorStore(embeddings);

管理向量存储​

向向量存储中添加条目​

import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "The powerhouse of the cell is the mitochondria",
  metadata: { source: "https://example.com" },
};

const document2: Document = {
  pageContent: "Buildings are made out of brick",
  metadata: { source: "https://example.com" },
};

const document3: Document = {
  pageContent: "Mitochondria are made out of lipids",
  metadata: { source: "https://example.com" },
};

const documents = [document1, document2, document3];

await vectorStore.addDocuments(documents);

查询向量存储​

一旦创建了向量存储并添加了相关文档，您很可能会希望在链或代理运行期间查询它。

直接查询​

执行一个简单的相似性搜索可以按如下方式进行：

const filter = (doc) => doc.metadata.source === "https://example.com";

const similaritySearchResults = await vectorStore.similaritySearch(
  "biology",
  2,
  filter
);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}
* The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* Mitochondria are made out of lipids [{"source":"https://example.com"}]

过滤器是可选的，必须是一个谓词函数，以文档作为输入，并根据该文档是否应当被返回，输出 true 或 false。 如果你想执行相似性搜索并获得相应的分数，可以运行：

const similaritySearchWithScoreResults =
  await vectorStore.similaritySearchWithScore("biology", 2, filter);

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(
    `* [SIM=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(
      doc.metadata
    )}]`
  );
}
* [SIM=0.165] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.148] Mitochondria are made out of lipids [{"source":"https://example.com"}]

通过转换为检索器进行查询​

您还可以将向量存储转换为检索器，以便在您的链中更方便地使用：

const retriever = vectorStore.asRetriever({
  // Optional filter
  filter: filter,
  k: 2,
});

await retriever.invoke("biology");
[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Mitochondria are made out of lipids',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

最大边缘相关性​

该向量存储还支持最大边缘相关性（MMR）技术，该技术首先通过经典的相似性搜索获取更多的结果（由 searchKwargs.fetchK 指定），然后重新排序以提高多样性，并返回排名前 k 的结果。这有助于防止重复信息：

const mmrRetriever = vectorStore.asRetriever({
  searchType: "mmr",
  searchKwargs: {
    fetchK: 10,
  },
  // Optional filter
  filter: filter,
  k: 2,
});

await mmrRetriever.invoke("biology");
[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Buildings are made out of brick',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

检索增强生成的用法​

有关如何将此向量存储用于检索增强生成（RAG）的指南，请参阅以下部分：

API 参考​

如需详细了解所有 MemoryVectorStore 的功能和配置，请访问 API 参考。

Was this page helpful?


You can also leave detailed feedback on GitHub.