使用 PGVector 和 PostgreSQL 实现 LangChain 向量存储

在现代应用中，向量存储（Vector Store）已经成为处理文本、图像、音频等多模态数据的核心组件之一。本文介绍了一种基于 PostgreSQL 和 PGVector 扩展的 LangChain 向量存储实现，名为 langchain_postgres。本教程将分步引导您在本地环境中搭建该系统，并使用示例代码演示如何在向量存储中添加、删除和查询文档。

技术背景介绍

LangChain 是一个灵活的链式 API，用于处理不同的语言模型和数据存储。为了支持高效的向量存储，langchain_postgres 利用 PostgreSQL 的 PGVector 扩展，结合 Python 的 psycopg 驱动，以实现稳定、快速的向量检索功能。

核心原理解析

PGVector 允许在 PostgreSQL 数据库中存储和查询向量化的数据。通过在数据库中使用向量扩展，可以利用 PostgreSQL 的成熟功能，如事务、索引和权限管理，与基于向量的搜索相结合，构建强大的应用。

代码实现演示

首先，确保安装了必要的软件包，并启动 PostgreSQL 容器：

pip install -qU langchain_postgres
# 启动 PostgreSQL 容器并启用 PGVector 扩展
docker run --name pgvector-container -e POSTGRES_USER=langchain -e POSTGRES_PASSWORD=langchain -e POSTGRES_DB=langchain -p 6024:5432 -d pgvector/pgvector:pg16

接下来，选择并配置嵌入（embedding）模型，这里我们使用 OpenAI 的嵌入模型：

import getpass
from langchain_openai import OpenAIEmbeddings

# 配置 OpenAI API 密钥
os.environ