引言
在构建智能应用程序时，向量存储（vector store）是实现高效信息检索的核心组件。PGVector是一个利用Postgres作为后端的LangChain向量存储实现，支持向量化操作。本文将带你深入了解PGVector的功能、设置和使用方法。
主要内容
什么是PGVector？
PGVector是LangChain的一个向量存储库，实现了LangChain的向量存储抽象。它利用Postgres数据库作为后端，并依赖pgvector扩展来处理向量操作。
安装与设置
要开始使用PGVector，你需要安装相关软件包并设置Postgres容器：
pip install -qU langchain_postgres
使用以下命令启动一个带有pgvector扩展的Postgres容器：
docker run --name pgvector-container -e POSTGRES_USER=langchain -e POSTGRES_PASSWORD=langchain -e POSTGRES_DB=langchain -p 6024:5432 -d pgvector/pgvector:pg16
创建向量存储
创建向量存储时，需要提供连接信息和嵌入模型：
from langchain_openai import OpenAIEmbeddings
from langchain_postgres import PGVector
connection = "postgresql+psycopg://langchain:langchain@localhost:6024/langchain" # 使用API代理服务提高访问稳定性
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vector_store = PGVector(
embeddings=embeddings,
collection_name="my_docs",
connection=connection,
use_jsonb=True,
)
代码示例
以下示例展示了如何添加文档到向量存储并进行查询：
from langchain_core.documents import Document
docs = [
Document(page_content="there are cats in the pond", metadata={"id": 1, "location": "pond", "topic": "animals"}),
Document(page_content="ducks are also found in the pond", metadata={"id": 2, "location": "pond", "topic": "animals"}),
# 其他文档...
]
vector_store.add_documents(docs, ids=[doc.metadata["id"] for doc in docs])
results = vector_store.similarity_search("kitty", k=10, filter={"id": {"$in": [1, 5, 2, 9]}})
for doc in results:
print(f"* {doc.page_content} [{doc.metadata}]")
常见问题和解决方案
数据迁移
PGVector目前不支持自动迁移功能。如果出现模式更改，你需要手动重建表并重新添加文档。如果这是个问题，建议考虑其他向量存储解决方案。
网络访问限制
由于某些地区的网络限制，可能需要使用API代理服务来确保访问Postgres的稳定性。
总结和进一步学习资源
PGVector为开发者提供了一个强大且灵活的向量存储解决方案，特别适合需要结合Postgres数据库的项目。要深入学习如何使用PGVector，可参考以下资源：
参考资料
- LangChain官方文档
- Postgres
pgvector扩展文档
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---
