Xata
Xata 是一个基于 PostgreSQL 的无服务器数据平台。它提供了一个用于与数据库交互的 Python SDK，以及一个用于管理数据的用户界面。
Xata 具有原生向量类型，可以添加到任何表中，并支持相似性搜索。LangChain 直接将向量插入 Xata，并查询给定向量的最近邻，以便您可以使用所有 LangChain Embeddings 集成与 Xata。
此笔记本指导您如何将 Xata 用作 VectorStore。
设置
创建一个数据库以用作向量存储
在 Xata UI 创建一个新的数据库。你可以随意命名，在这个记事本中我们将使用 langchain。创建一个表，同样你可以命名为任何名称，但我们将使用 vectors。通过 UI 添加以下列：
content类型为 "Text"。用于存储Document.pageContent值。embedding类型为 "Vector"。使用你计划使用的模型的维度。在这个记事本中，我们使用 OpenAI 嵌入，其维度为 1536。source类型为 "Text"。在这个示例中用作元数据列。- 任何其他你想用作元数据的列。它们从
Document.metadata对象中填充。例如，如果在Document.metadata对象中有一个title属性，你可以在表中创建一个title列，它将被填充。
让我们先安装我们的依赖项：
%pip install --upgrade --quiet xata langchain-openai langchain-community tiktoken langchain
让我们将 OpenAI 密钥加载到环境中。如果你没有密钥，可以创建一个 OpenAI 帐户并在这个 页面 上创建一个密钥。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
同样，我们需要获取 Xata 的环境变量。你可以通过访问你的 账户设置 来创建一个新的 API 密钥。要找到数据库 URL，请转到你创建的数据库的设置页面。数据库 URL 应该类似于：https://demo-uni3q8.eu-west-1.xata.sh/db/langchain。
api_key = getpass.getpass("Xata API key: ")
db_url = input("Xata database URL (copy it from your DB settings):")
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores.xata import XataVectorStore
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter
创建 Xata 向量存储
让我们导入我们的测试数据集：
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 = OpenAIEmbeddings()
现在创建实际的向量存储，基于 Xata 表。
vector_store = XataVectorStore.from_documents(
docs, embeddings, api_key=api_key, db_url=db_url, table_name="vectors"
)
运行上述命令后，如果你去 Xata UI，你应该会看到加载的文档及其嵌入。 要使用已经包含向量内容的现有 Xata 表，初始化 XataVectorStore 构造函数：
vector_store = XataVectorStore(
api_key=api_key, db_url=db_url, embedding=embeddings, table_name="vectors"
)
相似性搜索
query = "What did the president say about Ketanji Brown Jackson"
found_docs = vector_store.similarity_search(query)
print(found_docs)
带分数的相似性搜索（向量距离）
query = "What did the president say about Ketanji Brown Jackson"
result = vector_store.similarity_search_with_score(query)
for doc, score in result:
print(f"document={doc}, score={score}")