跳到主要內容
Open In ColabOpen on GitHub

Amazon MemoryDB

向量搜尋 介紹和 LangChain 整合指南。

什麼是 Amazon MemoryDB？​

MemoryDB 與 Redis OSS 相容，Redis OSS 是一種熱門的開放原始碼資料儲存庫，讓您可以使用今天已在使用的相同彈性且友善的 Redis OSS 資料結構、API 和命令，快速建置應用程式。透過 MemoryDB，您的所有資料都儲存在記憶體中，讓您能夠實現微秒級讀取和個位數毫秒級寫入延遲以及高輸送量。MemoryDB 也使用多可用區 (AZ) 交易記錄，在多個可用區 (AZ) 中持久儲存資料，以實現快速容錯移轉、資料庫復原和節點重新啟動。

MemoryDB 的向量搜尋​

MemoryDB 的向量搜尋擴展了 MemoryDB 的功能。向量搜尋可以與現有的 MemoryDB 功能結合使用。不使用向量搜尋的應用程式不受其存在的影響。向量搜尋在 MemoryDB 可用的所有區域都可用。您可以使用現有的 MemoryDB 資料或 Redis OSS API 來建置機器學習和生成式 AI 使用案例，例如檢索增強生成、異常偵測、文件檢索和即時建議。

  • 在 Redis hash 和 JSON 中索引多個欄位
  • 向量相似度搜尋 (使用 HNSW (ANN) 或 FLAT (KNN))
  • 向量範圍搜尋 (例如，尋找查詢向量半徑內的所有向量)
  • 無效能損失的增量索引

設定​

安裝 Redis Python 用戶端​

Redis-py 是一個 Python 用戶端，可用於連線到 MemoryDB

%pip install --upgrade --quiet  redis langchain-aws
from langchain_aws.embeddings import BedrockEmbeddings

embeddings = BedrockEmbeddings()
API 參考文件：BedrockEmbeddings

MemoryDB 連線​

有效的 Redis URL 結構描述為

  1. redis:// - 連線到 Redis 叢集，未加密
  2. rediss:// - 連線到 Redis 叢集，使用 TLS 加密

有關其他連線參數的更多資訊，請參閱 redis-py 文件。

範例資料​

首先，我們將描述一些範例資料，以便示範 Redis 向量資料庫的各種屬性。

metadata = [
    {
        "user": "john",
        "age": 18,
        "job": "engineer",
        "credit_score": "high",
    },
    {
        "user": "derrick",
        "age": 45,
        "job": "doctor",
        "credit_score": "low",
    },
    {
        "user": "nancy",
        "age": 94,
        "job": "doctor",
        "credit_score": "high",
    },
    {
        "user": "tyler",
        "age": 100,
        "job": "engineer",
        "credit_score": "high",
    },
    {
        "user": "joe",
        "age": 35,
        "job": "dentist",
        "credit_score": "medium",
    },
]
texts = ["foo", "foo", "foo", "bar", "bar"]
index_name = "users"

建立 MemoryDB 向量資料庫​

InMemoryVectorStore 實例可以使用以下方法初始化

  • InMemoryVectorStore.__init__ - 直接初始化
  • InMemoryVectorStore.from_documents - 從 Langchain.docstore.Document 物件清單初始化
  • InMemoryVectorStore.from_texts - 從文字清單初始化 (可選元數據)
  • InMemoryVectorStore.from_existing_index - 從現有的 MemoryDB 索引初始化
from langchain_aws.vectorstores.inmemorydb import InMemoryVectorStore

vds = InMemoryVectorStore.from_texts(
    embeddings,
    redis_url="rediss://cluster_endpoint:6379/ssl=True ssl_cert_reqs=none",
)
API 參考文件：InMemoryVectorStore
vds.index_name
'users'

查詢​

根據您的使用案例，有多種方法可以查詢 InMemoryVectorStore 實作

  • similarity_search：尋找與給定向量最相似的向量。
  • similarity_search_with_score：尋找與給定向量最相似的向量，並傳回向量距離
  • similarity_search_limit_score：尋找與給定向量最相似的向量，並將結果數量限制為 score_threshold
  • similarity_search_with_relevance_scores：尋找與給定向量最相似的向量，並傳回向量相似度
  • max_marginal_relevance_search：尋找與給定向量最相似的向量，同時也針對多樣性進行最佳化
results = vds.similarity_search("foo")
print(results[0].page_content)
foo
# with scores (distances)
results = vds.similarity_search_with_score("foo", k=5)
for result in results:
    print(f"Content: {result[0].page_content} --- Score: {result[1]}")
Content: foo --- Score: 0.0
Content: foo --- Score: 0.0
Content: foo --- Score: 0.0
Content: bar --- Score: 0.1566
Content: bar --- Score: 0.1566
# limit the vector distance that can be returned
results = vds.similarity_search_with_score("foo", k=5, distance_threshold=0.1)
for result in results:
    print(f"Content: {result[0].page_content} --- Score: {result[1]}")
Content: foo --- Score: 0.0
Content: foo --- Score: 0.0
Content: foo --- Score: 0.0
# with scores
results = vds.similarity_search_with_relevance_scores("foo", k=5)
for result in results:
    print(f"Content: {result[0].page_content} --- Similiarity: {result[1]}")
Content: foo --- Similiarity: 1.0
Content: foo --- Similiarity: 1.0
Content: foo --- Similiarity: 1.0
Content: bar --- Similiarity: 0.8434
Content: bar --- Similiarity: 0.8434
# you can also add new documents as follows
new_document = ["baz"]
new_metadata = [{"user": "sam", "age": 50, "job": "janitor", "credit_score": "high"}]
# both the document and metadata must be lists
vds.add_texts(new_document, new_metadata)
['doc:users:b9c71d62a0a34241a37950b448dafd38']

MemoryDB 作為檢索器​

在這裡，我們將介紹將向量資料庫用作檢索器的不同選項。

我們可以使用三種不同的搜尋方法來執行檢索。預設情況下，它將使用語義相似度。

query = "foo"
results = vds.similarity_search_with_score(query, k=3, return_metadata=True)

for result in results:
    print("Content:", result[0].page_content, " --- Score: ", result[1])
Content: foo  --- Score:  0.0
Content: foo  --- Score:  0.0
Content: foo  --- Score:  0.0
retriever = vds.as_retriever(search_type="similarity", search_kwargs={"k": 4})
docs = retriever.invoke(query)
docs
[Document(page_content='foo', metadata={'id': 'doc:users_modified:988ecca7574048e396756efc0e79aeca', 'user': 'john', 'job': 'engineer', 'credit_score': 'high', 'age': '18'}),
 Document(page_content='foo', metadata={'id': 'doc:users_modified:009b1afeb4084cc6bdef858c7a99b48e', 'user': 'derrick', 'job': 'doctor', 'credit_score': 'low', 'age': '45'}),
 Document(page_content='foo', metadata={'id': 'doc:users_modified:7087cee9be5b4eca93c30fbdd09a2731', 'user': 'nancy', 'job': 'doctor', 'credit_score': 'high', 'age': '94'}),
 Document(page_content='bar', metadata={'id': 'doc:users_modified:01ef6caac12b42c28ad870aefe574253', 'user': 'tyler', 'job': 'engineer', 'credit_score': 'high', 'age': '100'})]

還有 similarity_distance_threshold 檢索器，使用者可以使用它來指定向量距離

retriever = vds.as_retriever(
    search_type="similarity_distance_threshold",
    search_kwargs={"k": 4, "distance_threshold": 0.1},
)
docs = retriever.invoke(query)
docs
[Document(page_content='foo', metadata={'id': 'doc:users_modified:988ecca7574048e396756efc0e79aeca', 'user': 'john', 'job': 'engineer', 'credit_score': 'high', 'age': '18'}),
 Document(page_content='foo', metadata={'id': 'doc:users_modified:009b1afeb4084cc6bdef858c7a99b48e', 'user': 'derrick', 'job': 'doctor', 'credit_score': 'low', 'age': '45'}),
 Document(page_content='foo', metadata={'id': 'doc:users_modified:7087cee9be5b4eca93c30fbdd09a2731', 'user': 'nancy', 'job': 'doctor', 'credit_score': 'high', 'age': '94'})]

最後，similarity_score_threshold 允許使用者定義相似文件的最低分數

retriever = vds.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={"score_threshold": 0.9, "k": 10},
)
retriever.invoke("foo")
[Document(page_content='foo', metadata={'id': 'doc:users_modified:988ecca7574048e396756efc0e79aeca', 'user': 'john', 'job': 'engineer', 'credit_score': 'high', 'age': '18'}),
 Document(page_content='foo', metadata={'id': 'doc:users_modified:009b1afeb4084cc6bdef858c7a99b48e', 'user': 'derrick', 'job': 'doctor', 'credit_score': 'low', 'age': '45'}),
 Document(page_content='foo', metadata={'id': 'doc:users_modified:7087cee9be5b4eca93c30fbdd09a2731', 'user': 'nancy', 'job': 'doctor', 'credit_score': 'high', 'age': '94'})]
retriever.invoke("foo")
[Document(page_content='foo', metadata={'id': 'doc:users:8f6b673b390647809d510112cde01a27', 'user': 'john', 'job': 'engineer', 'credit_score': 'high', 'age': '18'}),
 Document(page_content='bar', metadata={'id': 'doc:users:93521560735d42328b48c9c6f6418d6a', 'user': 'tyler', 'job': 'engineer', 'credit_score': 'high', 'age': '100'}),
 Document(page_content='foo', metadata={'id': 'doc:users:125ecd39d07845eabf1a699d44134a5b', 'user': 'nancy', 'job': 'doctor', 'credit_score': 'high', 'age': '94'}),
 Document(page_content='foo', metadata={'id': 'doc:users:d6200ab3764c466082fde3eaab972a2a', 'user': 'derrick', 'job': 'doctor', 'credit_score': 'low', 'age': '45'})]

刪除索引​

若要刪除您的條目，您必須依其索引鍵尋址。

# delete the indices too
InMemoryVectorStore.drop_index(
    index_name="users", delete_documents=True, redis_url="redis://127.0.0.1:6379"
)
InMemoryVectorStore.drop_index(
    index_name="users_modified",
    delete_documents=True,
    redis_url="redis://127.0.0.1:6379",
)
True

此頁面是否對您有幫助？