使用Tigris构建高性能向量搜索应用-优快云博客

使用Tigris构建高性能向量搜索应用

在当今的数据密集型应用场景中，如何快速实现高效的向量搜索功能已成为开发者的关注重点。Tigris是一个开源的无服务器(NoSQL)数据库和搜索平台，专为简化构建高性能向量搜索应用而设计。它消除了管理、操作和同步多个工具的基础设施复杂性，使开发者能专注于应用的功能实现。

技术背景介绍

向量搜索应用通常需要处理海量数据和复杂的计算，为此需要一种高效且易于管理的数据库系统。Tigris通过提供简化的API和集成方案，让开发人员可以快速构建和优化向量搜索功能。此外，结合OpenAI的API，开发者能够利用最新的AI技术进行文本嵌入和搜索。

核心原理解析

Tigris提供向量存储(vector store)来支持向量检索和文本嵌入。它通过与OpenAI的嵌入API结合，实现了文本到向量的转换，再进行向量相似度搜索。

代码实现演示(重点)

以下代码演示如何将Tigris用作向量存储并进行相似度搜索。请确保您已安装必要的库，并拥有OpenAI和Tigris的访问凭证。

import getpass
import os
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Tigris
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

# 设置OpenAI和Tigris的API密钥
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
os.environ["TIGRIS_PROJECT"] = getpass.getpass("Tigris Project Name:")
os.environ["TIGRIS_CLIENT_ID"] = getpass.getpass("Tigris Client Id:")
os.environ["TIGRIS_CLIENT_SECRET"] = getpass.getpass("Tigris Client Secret:")

# 加载文本数据并进行处理
loader = TextLoader("../../../state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# 初始化嵌入和向量存储
embeddings = OpenAIEmbeddings()
vector_store = Tigris.from_documents(docs, embeddings, index_name="my_embeddings")

# 进行相似度搜索
query = "What did the president say about Ketanji Brown Jackson"
found_docs = vector_store.similarity_search(query)
print(found_docs)

# 搜索结果带有评分
result = vector_store.similarity_search_with_score(query)
for doc, score in result:
    print(f"document={doc}, score={score}")