跳到主要內容
Open on GitHub

MyScale

本頁涵蓋如何在 LangChain 中使用 MyScale 向量資料庫。它分為兩個部分：安裝與設定，以及 MyScale 封裝器的相關參考資料。

透過 MyScale，您可以管理結構化和非結構化（向量化）資料，並使用 SQL 對這兩種類型的資料執行聯合查詢和分析。此外，MyScale 基於 ClickHouse 的雲原生 OLAP 架構，即使在巨量資料集上也能實現閃電般快速的資料處理。

簡介​

MyScale 與高效能向量搜尋概覽

您現在可以註冊我們的 SaaS 並立即啟動叢集！

如果您也對我們如何整合 SQL 和向量感興趣，請參閱此文件以取得更多語法參考。

我們也在 huggingface 上提供即時演示！請查看我們的huggingface space！它們在眨眼間搜尋數百萬個向量！

安裝與設定​

  • 使用 pip install clickhouse-connect 安裝 Python SDK

設定環境​

有兩種方法可以設定 myscale 索引的參數。

  1. 環境變數

    在您執行應用程式之前，請使用 export 設定環境變數：export MYSCALE_HOST='<your-endpoints-url>' MYSCALE_PORT=<your-endpoints-port> MYSCALE_USERNAME=<your-username> MYSCALE_PASSWORD=<your-password> ...

    您可以在我們的 SaaS 上輕鬆找到您的帳戶、密碼和其他資訊。如需詳細資訊，請參閱此文件。MyScaleSettings 下的每個屬性都可以使用前綴 MYSCALE_ 進行設定，且不區分大小寫。

  2. 使用參數建立 MyScaleSettings 物件

    from langchain_community.vectorstores import MyScale, MyScaleSettings
    config = MyScaleSettings(host="<your-backend-url>", port=8443, ...)
    index = MyScale(embedding_function, config)
    index.add_documents(...)

封裝器​

支援的功能

  • add_texts
  • add_documents
  • from_texts
  • from_documents
  • similarity_search
  • asimilarity_search
  • similarity_search_by_vector
  • asimilarity_search_by_vector
  • similarity_search_with_relevance_scores
  • delete

VectorStore​

MyScale 資料庫周圍存在一個封裝器，讓您可以將其用作向量儲存庫，無論是用於語義搜尋還是相似範例檢索。

匯入此向量儲存庫

from langchain_community.vectorstores import MyScale
API 參考：MyScale

如需更詳細的 MyScale 封裝器逐步解說，請參閱此筆記本

此頁面是否對您有幫助？