ElasticsearchEmbeddingsCache

這將幫助您開始使用 Elasticsearch 鍵值儲存庫。 有關所有 ElasticsearchEmbeddingsCache 功能和配置的詳細文件，請前往 API 參考。

概觀

ElasticsearchEmbeddingsCache 是一個 ByteStore 實作，它使用您的 Elasticsearch 實例來有效率地儲存和檢索嵌入。

整合詳細資訊

類別	套件	本機	JS 支援	套件下載	套件最新版本
ElasticsearchEmbeddingsCache	langchain_elasticsearch	✅	❌

設定

若要建立 ElasticsearchEmbeddingsCache 位元組儲存庫，您需要 Elasticsearch 叢集。 您可以在本機設定一個，或建立一個 Elastic 帳戶。

安裝

LangChain ElasticsearchEmbeddingsCache 整合位於 __package_name__ 套件中

%pip install -qU langchain_elasticsearch

實例化

現在我們可以實例化我們的位元組儲存庫

from langchain_elasticsearch import ElasticsearchEmbeddingsCache

# Example config for a locally running Elasticsearch instance
kv_store = ElasticsearchEmbeddingsCache(
    es_url="https://127.0.0.1:9200",
    index_name="llm-chat-cache",
    metadata={"project": "my_chatgpt_project"},
    namespace="my_chatgpt_project",
    es_user="elastic",
    es_password="<GENERATED PASSWORD>",
    es_params={
        "ca_certs": "~/http_ca.crt",
    },
)

API 參考：ElasticsearchEmbeddingsCache

用法

您可以使用 mset 方法，像這樣在金鑰下設定資料

kv_store.mset(
    [
        ["key1", b"value1"],
        ["key2", b"value2"],
    ]
)

kv_store.mget(
    [
        "key1",
        "key2",
    ]
)

[b'value1', b'value2']

您可以使用 mdelete 方法刪除資料

kv_store.mdelete(
    [
        "key1",
        "key2",
    ]
)

kv_store.mget(
    [
        "key1",
        "key2",
    ]
)

[None, None]

用作嵌入快取

與其他 ByteStores 一樣，您可以將 ElasticsearchEmbeddingsCache 實例用於 文件擷取中的持久快取，以用於 RAG。

但是，依預設快取的向量將無法搜尋。 開發人員可以自訂 Elasticsearch 文件的建置，以便新增索引向量欄位。

這可以透過子類別化和覆寫方法來完成

from typing import Any, Dict, List


class SearchableElasticsearchStore(ElasticsearchEmbeddingsCache):
    @property
    def mapping(self) -> Dict[str, Any]:
        mapping = super().mapping
        mapping["mappings"]["properties"]["vector"] = {
            "type": "dense_vector",
            "dims": 1536,
            "index": True,
            "similarity": "dot_product",
        }
        return mapping

    def build_document(self, llm_input: str, vector: List[float]) -> Dict[str, Any]:
        body = super().build_document(llm_input, vector)
        body["vector"] = vector
        return body

覆寫對應和文件建置時，請僅進行添加修改，保持基本對應完整。

API 參考

有關所有 ElasticsearchEmbeddingsCache 功能和配置的詳細文件，請前往 API 參考：https://langchain-python.dev.org.tw/api_reference/elasticsearch/cache/langchain_elasticsearch.cache.ElasticsearchEmbeddingsCache.html

相關內容

• 鍵值儲存庫概念指南