vecdb

VECDB

قاعدة بيانات التضمين المتجهات البسيطة للغاية ، يمكنك القول إنه جدول تجزئة يتيح لك العثور على عناصر مماثلة للعنصر الذي تبحث عنه.

لماذا!

أنا متحمس لقواعد البيانات ، وهذا مشروع للمتعة والتعلم يمكن استخدامه في الإنتاج ؛).

ملاحظة : أحب إعادة اختراع العجلة في وقت فراغي ، لأنه وقت فراغي!

نموذج البيانات

أنا أستخدم نموذج {key => value} ،

• يجب أن يكون key قيمة فريدة تمثل العنصر.
• يجب أن تكون value المتجه نفسه (قائمة العوامات).

التكوينات

بشكل افتراضي ، يبحث vecdb عن config.yml في دليل العمل الحالي. ولكن يمكنك تجاوزه باستخدام علامة --config /path/to/config.yml من خلال توفير مسار الملف المخصص الخاص بك.

 # http server related configs
server :
  # the address to listen on in the form of '[host]:port'
  listen : " 0.0.0.0:3000 "

# storage related configs
store :
  # the driver you want to use
  # currently vecdb supports "bolt" which is based on boltdb the in process embedded the database
  driver : " bolt "
  # the arguments required by the driver
  # for bolt, it requires a key called `database` points to the path you want to store the data in.
  args :
    database : " ./vec.db "

# embeddings related configs
embedder :
  # whether to enable the embedder and all endpoints using it or not
  enabled : true
  # the driver you want to use, currently vecdb supports gemini
  driver : gemini
  # the arguments required by the driver
  # currently gemini driver requires `api_key` and `text_embedding_model`
  args :
    # by default vecdb will replace anything between ${..} with the actual value from the ENV var
    api_key : " ${GEMINI_API_KEY} "
    text_embedding_model : " text-embedding-004 "

عناصر

• طبقة المتجهات الخام (المستوى المنخفض)
  • أرسل VectorWritErequest إلى POST /v1/vectors/write عندما يكون لديك ناقل وتريد تخزينه في مكان ما.
  • أرسل CoutResorSearchRequest إلى POST /v1/vectors/search عندما يكون لديك ناقل وتريد سرد جميع مفاتيح/معرفات المتجهات المماثلة التي تم طلبها بواسطة تشابه جيب التمام في ترتيب تنازلي.
• طبقة تضمين (اختيارية)
  • أرسل textembeddingWritErequest إلى POST /v1/embeddings/text/write عندما يكون لديك نص وتريد vecdb لبناء وتخزين المتجه لك باستخدام التضمين المكون (Gemini في الوقت الحالي).
  • أرسل textembeddingsearchRequest إلى POST /v1/embeddings/text/search عندما يكون لديك نص وتريد vecdb لبناء متجه والبحث عن مفاتيح متجهات مماثلة لك من أجل تشابه جيب التمام بترتيب تنازلي.

الطلبات

VectorWriteRequest

 {
  "bucket" : "BUCKET_NAME" , // consider it a collection or a table
  "key" : "product-id-1" , // should be unique and represents a valid value in your main data store (example: the row id in your mysql/postgres ... etc)
  "vector" : [ 1.929292 , 0.3848484 , - 1.9383838383 , ... ] // the vector you want to store 
}

ناقلات searchRequest

 {
  "bucket" : "BUCKET_NAME" , // consider it a collection or a table
  "vector" : [ 1.929292 , 0.3848484 , - 1.9383838383 , ... ] , // you will get a list ordered by cosine-similarity in descending order
  "min_cosine_similarity" : 0.0 , // the more you increase, the fewer data you will get
  "max_result_count" : 10 // max vectors to return (vecdb will first order by cosine similarity then apply the limit)
}

textembeddingWriteRequest

إذا قمت بتعيين embedder.enabled إلى true .

 {
  "bucket" : "BUCKET_NAME" , // consider it a collection or a table
  "key" : "product-id-1" , // should be unique and represents a valid value in your main data store (example: the row id in your mysql/postgres ... etc)
  "content" : "This is some text representing the product" // this will be converted to a vector using the configured embedder 
}

textembeddingsearchRequest

إذا قمت بتعيين embedder.enabled إلى true .

 {
  "bucket" : "BUCKET_NAME" , // consider it a collection or a table
  "content" : "A Product Text" , // you will get a list ordered by cosine-similarity in descending order
  "min_cosine_similarity" : 0.0 , // the more you increase, the fewer data you will get
  "max_result_count" : 10 // max vectors to return (vecdb will first order by cosine similarity then apply the limit)
}

تنزيل/تثبيت

• ثنائي
• صورة Docker