Tair
Tair 是由
Alibaba Cloud開發的雲原生記憶體資料庫服務。 它提供豐富的資料模型和企業級功能，以支援您的即時線上場景，同時保持與開源Redis的完全相容性。Tair還引入了基於新型非揮發性記憶體 (NVM) 儲存媒體的持久記憶體優化實例。
本筆記本示範如何使用與 Tair 向量資料庫相關的功能。
您需要使用 pip install -qU langchain-community 安裝 langchain-community 才能使用此整合。
要執行，您應該有一個正在運行的 Tair 實例。
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)
API 參考：TextLoader
使用 TAIR_URL 環境變數連接到 Tair
export TAIR_URL="redis://{username}:{password}@{tair_address}:{tair_port}"
或使用關鍵字參數 tair_url。
然後將文件和嵌入儲存到 Tair 中。
tair_url = "redis://127.0.0.1:6379"
# drop first if index already exists
Tair.drop_index(tair_url=tair_url)
vector_store = Tair.from_documents(docs, embeddings, tair_url=tair_url)
查詢相似的文件。
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query)
docs[0]
Tair 混合搜尋索引建立
# drop first if index already exists
Tair.drop_index(tair_url=tair_url)
vector_store = Tair.from_documents(
docs, embeddings, tair_url=tair_url, index_params={"lexical_algorithm": "bm25"}
)
Tair 混合搜尋
query = "What did the president say about Ketanji Brown Jackson"
# hybrid_ratio: 0.5 hybrid search, 0.9999 vector search, 0.0001 text search
kwargs = {"TEXT": query, "hybrid_ratio": 0.5}
docs = vector_store.similarity_search(query, **kwargs)
docs[0]