探索DashVector：高效向量检索服务的应用及实现_向量检索服务dashvector 实例-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/142290841

引言

随着AI和大数据技术的飞速发展，如何高效管理和检索高维向量成为许多应用的关键需求。DashVector作为一种完全托管的向量数据库服务，能够支持高维稠密和稀疏向量的实时插入和过滤搜索，是这些需求的理想解决方案。本篇文章将深入探讨DashVector的核心功能及其应用，并提供代码示例帮助读者快速上手。

主要内容

DashVector简介

DashVector通过简单易用的SDK/API接口，暴露其强大的向量管理和检索能力。其内置的Proxima核心引擎支持横向扩展，能够适应多种应用场景，如多模态AI搜索和分子结构分析。

安装与初始化

要使用DashVector，首先需要安装dashvector包，并拥有一个有效的API Key和环境设置。以下是安装命令：

%pip install --upgrade --quiet lark dashvector

创建DashVector VectorStore

接下来，我们将创建一个DashVector VectorStore并初始化数据集。代码如下：

import os
import dashvector
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_core.documents import Document

# 使用API代理服务提高访问稳定性
client = dashvector.Client(api_key=os.environ["DASHVECTOR_API_KEY"])

embeddings = DashScopeEmbeddings()

# 创建DashVector集合
client.create("langchain-self-retriever-demo", dimension=1536)

docs = [
    Document(
        page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose",
        metadata={"year": 1993, "rating": 7.7, "genre": "action"},
    ),
    # 更多文档...
]

vectorstore = DashVector.from_documents(
    docs, embeddings, collection_name="langchain-self-retriever-demo"
)

自查询检索器的使用

为创建自查询检索器(SQR)，我们需要提供文档的元数据字段信息及内容描述：

from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain_community.llms import Tongyi

metadata_field_info = [
    AttributeInfo(name="genre", description="The genre of the movie", type="string or list[string]"),
    # 更多字段信息...
]

document_content_description = "Brief summary of a movie"
llm = Tongyi(temperature=0)
retriever = SelfQueryRetriever.from_llm(
    llm, vectorstore, document_content_description, metadata_field_info, verbose=True
)

代码示例

以下代码展示了如何使用自查询检索器进行简单的查询操作：

# 查询关于恐龙的电影
retriever.invoke("What are some movies about dinosaurs")

# 查询评分大于8.5的电影
retriever.invoke("I want to watch a movie rated higher than 8.5")

# 查询关于科学幻想且评分高于8.5的电影
retriever.invoke("What's a highly rated (above 8.5) science fiction film?")