SingleStore

SingleStoreDB 是一个强大且高性能的分布式 SQL 数据库解决方案，专为在 云环境 和本地环境中均表现出色而设计。它具备多样化的功能，提供无缝的部署选项，同时实现无与伦比的性能。

SingleStoreDB 的一个突出特性是其对向量存储和操作的高级支持，使其成为需要复杂 AI 功能（如文本相似性匹配）的应用程序的理想选择。通过内置的向量函数如 dot_product 和 euclidean_distance，SingleStoreDB 使开发人员能够高效地实现复杂的算法。

对于希望在 SingleStoreDB 中使用向量数据的开发人员，有一个全面的教程可供参考，指导他们了解 使用向量数据 的细节。该教程深入介绍了 SingleStoreDB 中的向量存储（Vector Store），展示了其基于向量相似性的搜索能力。利用向量索引，可以以惊人的速度执行查询，从而快速检索相关数据。

此外，SingleStoreDB 的向量存储还无缝集成了基于 Lucene 的 全文索引，支持强大的文本相似性搜索。用户可以根据文档元数据对象的选定字段过滤搜索结果，从而提高查询的精确度。

使 SingleStoreDB 独树一帜的是它能够以多种方式结合向量和全文搜索，提供灵活性和多功能性。无论是通过文本或向量相似性进行预过滤并选择最相关数据，还是采用加权和方法计算最终相似性得分，开发人员都有多种选择。

总之，SingleStoreDB 为管理和查询向量数据提供了一个全面的解决方案，为 AI 驱动的应用程序提供了无与伦比的性能和灵活性。

兼容性

该功能仅适用于 Node.js。

LangChain.js 需要使用 mysql2 库来创建与 SingleStoreDB 实例的连接。

安装配置

1. 建立一个 SingleStoreDB 环境。您可以选择 基于云的版本 或 本地部署版本。
2. 安装 mysql2 JS 客户端

npm

npm install -S mysql2

Yarn

yarn add mysql2

pnpm

pnpm add mysql2

使用方法

SingleStoreVectorStore 会管理一个连接池。建议在应用程序终止前调用 await store.end();，以确保所有连接正确关闭，防止可能出现的资源泄漏。

标准用法

:::提示 请参阅安装集成包的一般说明部分。 :::

npm

npm install @langchain/openai @langchain/community @langchain/core

Yarn

yarn add @langchain/openai @langchain/community @langchain/core

pnpm

pnpm add @langchain/openai @langchain/community @langchain/core

以下是一个简单的示例，展示如何导入相关模块，并使用 SingleStoreVectorStore 执行基础的相似性搜索：

import { SingleStoreVectorStore } from "@langchain/community/vectorstores/singlestore";
import { OpenAIEmbeddings } from "@langchain/openai";

export const run = async () => {
  const vectorStore = await SingleStoreVectorStore.fromTexts(
    ["Hello world", "Bye bye", "hello nice world"],
    [{ id: 2 }, { id: 1 }, { id: 3 }],
    new OpenAIEmbeddings(),
    {
      connectionOptions: {
        host: process.env.SINGLESTORE_HOST,
        port: Number(process.env.SINGLESTORE_PORT),
        user: process.env.SINGLESTORE_USERNAME,
        password: process.env.SINGLESTORE_PASSWORD,
        database: process.env.SINGLESTORE_DATABASE,
      },
    }
  );

  const resultOne = await vectorStore.similaritySearch("hello world", 1);
  console.log(resultOne);
  await vectorStore.end();
};

API Reference:

• SingleStoreVectorStore from @langchain/community/vectorstores/singlestore
• OpenAIEmbeddings from @langchain/openai

元数据过滤

如果需要根据特定的元数据字段过滤结果，可以在搜索时传入一个过滤参数，以缩小搜索范围，仅返回匹配过滤对象中所有指定字段的文档：

import { SingleStoreVectorStore } from "@langchain/community/vectorstores/singlestore";
import { OpenAIEmbeddings } from "@langchain/openai";

export const run = async () => {
  const vectorStore = await SingleStoreVectorStore.fromTexts(
    ["Good afternoon", "Bye bye", "Boa tarde!", "Até logo!"],
    [
      { id: 1, language: "English" },
      { id: 2, language: "English" },
      { id: 3, language: "Portugese" },
      { id: 4, language: "Portugese" },
    ],
    new OpenAIEmbeddings(),
    {
      connectionOptions: {
        host: process.env.SINGLESTORE_HOST,
        port: Number(process.env.SINGLESTORE_PORT),
        user: process.env.SINGLESTORE_USERNAME,
        password: process.env.SINGLESTORE_PASSWORD,
        database: process.env.SINGLESTORE_DATABASE,
      },
      distanceMetric: "EUCLIDEAN_DISTANCE",
    }
  );

  const resultOne = await vectorStore.similaritySearch("greetings", 1, {
    language: "Portugese",
  });
  console.log(resultOne);
  await vectorStore.end();
};

API Reference:

• SingleStoreVectorStore from @langchain/community/vectorstores/singlestore
• OpenAIEmbeddings from @langchain/openai

向量索引

通过使用 SingleStore DB 8.5 或更高版本提供的 ANN 向量索引，可以显著提升搜索效率。 在创建向量存储对象时，设置 useVectorIndex: true 即可启用此功能。 此外，如果您的向量维度与默认的 OpenAI 嵌入大小 1536 不同，请确保相应地指定 vectorSize 参数。

混合搜索

SingleStoreDB 提供了多样化的搜索策略，每种策略都经过精心设计，以满足特定的用例和用户偏好。 默认的 VECTOR_ONLY 策略使用 DOT_PRODUCT 或 EUCLIDEAN_DISTANCE 等向量操作直接计算向量之间的相似性得分，而 TEXT_ONLY 则使用基于 Lucene 的全文搜索，特别适合以文本为中心的应用。 对于希望采用平衡方法的用户，FILTER_BY_TEXT 会首先基于文本相似性对结果进行筛选，然后再进行向量比较；而 FILTER_BY_VECTOR 则优先考虑向量相似性，在评估文本相似性之前对结果进行过滤，以获得最佳匹配。 值得注意的是，FILTER_BY_TEXT 和 FILTER_BY_VECTOR 都需要全文索引才能运行。此外，WEIGHTED_SUM 是一种高级策略，通过加权向量和文本相似性来计算最终的相似性得分，但仅支持点积距离计算，同时也需要全文索引。 这些灵活的策略使用户能够根据自身需求精细调整搜索，实现高效且精确的数据检索和分析。 此外，SingleStoreDB 的混合方法（如 FILTER_BY_TEXT、FILTER_BY_VECTOR 和 WEIGHTED_SUM 策略）无缝融合了向量和文本搜索，以最大化效率和准确性，确保用户能够充分利用平台的能力来满足各种应用场景。

import { SingleStoreVectorStore } from "@langchain/community/vectorstores/singlestore";
import { OpenAIEmbeddings } from "@langchain/openai";

export const run = async () => {
  const vectorStore = await SingleStoreVectorStore.fromTexts(
    [
      "In the parched desert, a sudden rainstorm brought relief, as the droplets danced upon the thirsty earth, rejuvenating the landscape with the sweet scent of petrichor.",
      "Amidst the bustling cityscape, the rain fell relentlessly, creating a symphony of pitter-patter on the pavement, while umbrellas bloomed like colorful flowers in a sea of gray.",
      "High in the mountains, the rain transformed into a delicate mist, enveloping the peaks in a mystical veil, where each droplet seemed to whisper secrets to the ancient rocks below.",
      "Blanketing the countryside in a soft, pristine layer, the snowfall painted a serene tableau, muffling the world in a tranquil hush as delicate flakes settled upon the branches of trees like nature's own lacework.",
      "In the urban landscape, snow descended, transforming bustling streets into a winter wonderland, where the laughter of children echoed amidst the flurry of snowballs and the twinkle of holiday lights.",
      "Atop the rugged peaks, snow fell with an unyielding intensity, sculpting the landscape into a pristine alpine paradise, where the frozen crystals shimmered under the moonlight, casting a spell of enchantment over the wilderness below.",
    ],
    [
      { category: "rain" },
      { category: "rain" },
      { category: "rain" },
      { category: "snow" },
      { category: "snow" },
      { category: "snow" },
    ],
    new OpenAIEmbeddings(),
    {
      connectionOptions: {
        host: process.env.SINGLESTORE_HOST,
        port: Number(process.env.SINGLESTORE_PORT),
        user: process.env.SINGLESTORE_USERNAME,
        password: process.env.SINGLESTORE_PASSWORD,
        database: process.env.SINGLESTORE_DATABASE,
      },
      distanceMetric: "DOT_PRODUCT",
      useVectorIndex: true,
      useFullTextIndex: true,
    }
  );

  const resultOne = await vectorStore.similaritySearch(
    "rainstorm in parched desert, rain",
    1,
    { category: "rain" }
  );
  console.log(resultOne[0].pageContent);

  await vectorStore.setSearchConfig({
    searchStrategy: "TEXT_ONLY",
  });
  const resultTwo = await vectorStore.similaritySearch(
    "rainstorm in parched desert, rain",
    1
  );
  console.log(resultTwo[0].pageContent);

  await vectorStore.setSearchConfig({
    searchStrategy: "FILTER_BY_TEXT",
    filterThreshold: 0.1,
  });
  const resultThree = await vectorStore.similaritySearch(
    "rainstorm in parched desert, rain",
    1
  );
  console.log(resultThree[0].pageContent);

  await vectorStore.setSearchConfig({
    searchStrategy: "FILTER_BY_VECTOR",
    filterThreshold: 0.1,
  });
  const resultFour = await vectorStore.similaritySearch(
    "rainstorm in parched desert, rain",
    1
  );
  console.log(resultFour[0].pageContent);

  await vectorStore.setSearchConfig({
    searchStrategy: "WEIGHTED_SUM",
    textWeight: 0.2,
    vectorWeight: 0.8,
    vectorselectCountMultiplier: 10,
  });
  const resultFive = await vectorStore.similaritySearch(
    "rainstorm in parched desert, rain",
    1
  );
  console.log(resultFive[0].pageContent);

  await vectorStore.end();
};

API Reference:

• SingleStoreVectorStore from @langchain/community/vectorstores/singlestore
• OpenAIEmbeddings from @langchain/openai

相关内容

• 向量存储 概念指南
• 向量存储 操作指南

Related

• Vector store conceptual guide
• Vector store how-to guides