# 引言
在不断发展的人工智能与大数据时代，信息检索与管理显得尤为重要。通过与数据库技术的结合，向量存储（Vector store）能显著提升数据查询的效率与精度。本文将探讨如何利用PGVector在Postgres中实现LangChain的vectorstore抽象，为您的应用提供高效的文本搜索能力。
# 主要内容
## 1. LangChain_postgres包简介
`langchain_postgres`是`langchain_community`的衍生包，专门用于在Postgres数据库中实现向量存储。此包的诞生解决了一些早期版本中的瓶颈，现在它完全依赖于`psycopg3`驱动，确保了连接的稳定和高效。
## 2. 安装与设置
首先，下载并安装必备的Python包：
```shell
pip install -qU langchain_postgres
然后，使用以下命令启动一个带有pgvector扩展的Postgres容器：
# 启动Postgres容器并启用pgvector扩展
docker run --name pgvector-container -e POSTGRES_USER=langchain -e POSTGRES_PASSWORD=langchain -e POSTGRES_DB=langchain -p 6024:5432 -d pgvector/pgvector:pg16
3. 向量存储初始化
初始化向量存储需要创建一个连接对象，并使用特定的嵌入模型：
from langchain_core.documents import Document
from langchain_postgres.vectorstores import PGVector
from langchain_openai import OpenAIEmbeddings
# 使用API代理服务提高访问稳定性
connection = "postgresql+psycopg://langchain:langchain@localhost:6024/langchain"
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vector_store = PGVector(
embeddings=embeddings,
collection_name="my_docs",
connection=connection,
use_jsonb=True,
)
4. 管理向量存储
向向量存储中添加和删除文档，以及执行查询，如下示例所示：
# 添加文档
docs = [Document(page_content="there are cats in the pond", metadata={"id": 1, "location": "pond", "topic": "animals"})]
vector_store.add_documents(docs, ids=[doc.metadata["id"] for doc in docs])
# 删除文档
vector_store.delete(ids=["3"])
# 查询文档
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
- 连接问题：确保使用最新的
psycopg3驱动，并正确配置连接字符串。 - 数据迁移：目前不支持数据迁移，如有必要需手动备份并重新添加数据。
- 网络限制：因网络限制，需考虑使用API代理服务。
总结和进一步学习资源
PGVector结合LangChain为数据查询提供了一种高效的解决方案。在使用过程中，需注意版本兼容性与网络配置。想要深入了解PGVector，可以访问详细文档。
参考资料
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---
