Tair
Tair 是由
Alibaba Cloud开发的云原生内存数据库服务。它提供丰富的数据模型和企业级功能，以支持您的实时在线场景，同时与开源Redis完全兼容。Tair还引入了基于新型非易失性存储介质 (NVM) 的持久内存优化实例。
本笔记本展示了如何使用与 Tair 向量数据库相关的功能。
您需要通过 pip install -qU langchain-community 安装 langchain-community 以使用此集成。
要运行，您应该有一个正在运行的 Tair 实例。
from langchain_community.embeddings.fake import FakeEmbeddings
from langchain_community.vectorstores import Tair
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.document_loaders import TextLoader
loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
embeddings = FakeEmbeddings(size=128)
使用 TAIR_URL 环境变量连接到 Tair
export TAIR_URL="redis://{username}:{password}@{tair_address}:{tair_port}"
或使用关键字参数 tair_url。
然后将文档和嵌入存储到 Tair 中。
tair_url = "redis://localhost:6379"
# 如果索引已存在则先删除
Tair.drop_index(tair_url=tair_url)
vector_store = Tair.from_documents(docs, embeddings, tair_url=tair_url)
查询相似文档。
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query)
docs[0]
Tair 混合搜索索引构建
# 如果索引已存在则先删除
Tair.drop_index(tair_url=tair_url)
vector_store = Tair.from_documents(
docs, embeddings, tair_url=tair_url, index_params={"lexical_algorithm": "bm25"}
)
Tair 混合搜索
query = "What did the president say about Ketanji Brown Jackson"
# hybrid_ratio: 0.5 混合搜索, 0.9999 向量搜索, 0.0001 文本搜索
kwargs = {"TEXT": query, "hybrid_ratio": 0.5}
docs = vector_store.similarity_search(query, **kwargs)
docs[0]