# 引言
在现代AI应用中，处理高维度向量数据是一个常见而复杂的任务。DashVector提供了一种云原生、完全托管的向量数据库服务，支持高维密集和稀疏向量的实时插入与过滤搜索。本文旨在介绍DashVector的使用，展示如何利用它的自查询检索特性提升AI应用的效率。
# 主要内容
## DashVector概述
DashVector通过简单易用的SDK/API接口，公开其强大的向量管理和查询能力，能够快速集成到上层AI应用中。它以DAMO Academy独立开发的Proxima引擎为核心，支持自动横向扩展，为多种应用场景提供高效向量检索能力。
## 环境准备与安装
在开始使用DashVector之前，需要安装相关包并配置环境变量。
```bash
%pip install --upgrade --quiet lark dashvector
确保你有API密钥和相应的环境变量配置。
创建向量存储
我们将创建一个DashVector向量存储并加入一些电影摘要作为测试数据。
import os
import dashvector
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.vectorstores import DashVector
from langchain_core.documents import Document
# 初始化客户端并创建集合
client = dashvector.Client(api_key=os.environ["DASHVECTOR_API_KEY"]) # 使用API代理服务提高访问稳定性
embeddings = DashScopeEmbeddings()
client.create("langchain-self-retriever-demo", dimension=1536)
# 添加文档
docs = [
Document(page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose", metadata={"year": 1993, "rating": 7.7, "genre": "action"}),
# 更多文档...
]
vectorstore = DashVector.from_documents(docs, embeddings, collection_name="langchain-self-retriever-demo")
实现自查询检索
接下来，我们通过定义文档元数据字段信息和文档内容描述，创建一个自查询检索器。
from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain_community.llms import Tongyi
metadata_field_info = [
AttributeInfo(name="genre", description="The genre of the movie", type="string or list[string]"),
# 更多字段信息...
]
document_content_description = "Brief summary of a movie"
llm = Tongyi(temperature=0)
retriever = SelfQueryRetriever.from_llm(
llm, vectorstore, document_content_description, metadata_field_info, verbose=True
)
代码示例
使用自查询检索器查找特定条件的电影。
# 获取关于恐龙的电影
retriever.invoke("What are some movies about dinosaurs")
# 获取评分高于8.5的电影
retriever.invoke("I want to watch a movie rated higher than 8.5")
常见问题和解决方案
-
网络访问问题
在使用DashVector API时，由于网络限制，开发者可以考虑使用API代理服务来提高访问的稳定性。
-
安装问题
确保安装的包版本正确，使用
%pip install --upgrade可解决版本兼容性问题。
总结和进一步学习资源
DashVector提供了一个强大且灵活的方式来处理向量数据，其自查询检索特性让复杂查询变得简单易用。进一步了解DashVector，请访问以下资源：
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---
