探索Hologres与Proxima：高性能实时数据仓库与向量搜索服务

最新推荐文章于 2025-07-02 14:22:59 发布

原创最新推荐文章于 2025-07-02 14:22:59 发布 · 299 阅读

CC 4.0 BY-SA版权

文章标签：

# 引言

在当今的数据驱动时代，快速且有效地处理和分析大规模数据至关重要。阿里云开发的Hologres将实时数据仓库服务的力量带给开发者，使其能够在实时环境中写入、更新、处理和分析大量数据。本文将介绍Hologres的功能，尤其是其与Proxima集成的高性能向量数据库特性。通过这篇文章，读者将了解如何利用Hologres和Proxima进行高吞吐量、低延迟的向量搜索。

# 主要内容

## Hologres的高性能架构

Hologres支持标准SQL语法，兼容PostgreSQL，并支持在线分析处理（OLAP）和高达拍字节数据的临时分析。其高并发和低延迟特性使企业能够提供24/7在线数据服务。通过深度集成Proxima向量搜索库，Hologres提供了一种高性能、稳定的解决方案来处理文本或图像嵌入的相似性搜索。

## Proxima：向量数据库的核心

Proxima是由阿里巴巴达摩院开发的高性能软件库，其性能和稳定性优于类似的开源软件如Faiss。Proxima允许高吞吐量、低延迟的相似性搜索，尤其适用于大规模向量数据的场景中。

# 代码示例

以下示例展示了如何使用Hologres和Proxima进行向量存储和搜索：

```python
# 安装必要的库
%pip install --upgrade --quiet langchain_community hologres-vector

from langchain_community.vectorstores import Hologres
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

# 将文档拆分并通过调用OpenAI API获取嵌入
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 = OpenAIEmbeddings()

# 连接到Hologres数据库
import os

connection_string = Hologres.connection_string_from_db_params(
    host=os.environ.get("PGHOST", "localhost"),
    port=int(os.environ.get("PGPORT", "80")),
    database=os.environ.get("PGDATABASE", "postgres"),
    user=os.environ.get("PGUSER", "postgres"),
    password=os.environ.get("PGPASSWORD", "postgres"),
)

vector_db = Hologres.from_documents(
    docs,
    embeddings,
    connection_string=connection_string, # 使用API代理服务提高访问稳定性
    table_name="langchain_example_embeddings",
)

# 查询和检索数据
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_db.similarity_search(query)

print(docs[0].page_content)