pyvectordb
v0.1.7
シンプルに生まれました。 Simple Pythonラッパーは、CRUD操作とベクターデータベースをクエリすることを効率的にサポートします。」
すべてのベクトルデータベースサポートの依存をインストールするには（推奨されないディスクスペースが多数必要です）
pip install pyvectordb[all]特定のベクトルデータベースエンジンのみが必要な場合は、使用できます（推奨）
pip install pyvectordb[pgvector]pip install pyvectordb[qdrant]pip install pyvectordb[chromadb]PGVectorは、ベクター埋め込みのストレージ、インデックス作成、クエリを可能にするPostgreSQLの拡張機能です。これは、自然言語処理、画像認識、推奨システムなどの機械学習アプリケーションに役立つベクターの類似性検索をサポートするように設計されています。ベクトル埋め込みをデータ型として保存することにより、PGVectorは、Cosineの類似性、ユークリッド距離、内製品などの距離メトリックを使用して効率的な類似性検索を有効にします。
from dotenv import load_dotenv
load_dotenv ()
import os
from pyvectordb import Vector
from pyvectordb . pgvector . pgvector import PgvectorDB
from pyvectordb . distance_function import DistanceFunction
v1 = Vector (
embedding = [ 2. , 2. , 1. ],
metadata = { "text" : "hellow from pyvectordb" }
)
v2 = Vector (
embedding = [ 2. , 2. , 2. ],
metadata = { "text" : "hi" }
)
v3 = Vector (
embedding = [ 2. , 2. , 3. ],
metadata = { "text" : "good morning!" }
)
vector_db = PgvectorDB (
user = os . getenv ( "PG_USER" ),
password = os . getenv ( "PG_PASSWORD" ),
host = os . getenv ( "PG_HOST" ),
port = os . getenv ( "PG_PORT" ),
db_name = os . getenv ( "PG_NAME" ),
collection = os . getenv ( "PG_COLLECTION" ),
distance_function = DistanceFunction . L2 ,
)
# insert new vector
vector_db . insert_vector ( v1 )
vector_db . insert_vectors ([ v2 , v3 ])
# read v1
v_from_db = vector_db . read_vector ( v1 . get_id ())
# update v1 embedding
new_embedding = [ 2. , 2. , 4. ]
v_from_db . embedding = new_embedding
vector_db . update_vector ( v_from_db )
# read updated embedding and check
v_from_db_updated = vector_db . read_vector ( v1 . get_id ())
assert list ( v_from_db_updated . embedding ) == list ( new_embedding ), "updated embedding not equal"
# re-update v1 embedding to the v1, check
vector_db . update_vectors ([ v1 , v2 , v3 ])
re_updated_embedding = vector_db . read_vector ( v1 . get_id ()). embedding
assert list ( re_updated_embedding ) == list ( v1 . embedding ), "re-updated embedding not equal"
for x in vector_db . get_neighbor_vectors ( v1 , 3 ):
print ( f" { x } " )
vector_db . delete_vector ( v1 . get_id ())
vector_db . delete_vectors ([ v2 , v3 ])QDRANTは、「追加のペイロードを備えたポイント（つまりベクター）を保存、検索、および管理するための便利なAPIを備えた生産対応サービスを提供するベクトル類似性検索エンジンです。」ペイロードは、検索に焦点を合わせたり、ユーザーに提供できる有用な情報を受け取るのに役立つ追加の情報と考えることができます。
pyvectordbでqdrantを使用するのは簡単です。クライアントをQdrantDBに変更するだけが必要です
from pyvectordb import QdrantDB
vector_db = QdrantDB (
host = os . getenv ( "Q_HOST" ),
api_key = os . getenv ( "Q_API_KEY" ),
port = os . getenv ( "Q_PORT" ),
collection = os . getenv ( "Q_COLLECTION" ),
vector_size = int ( os . getenv ( "Q_SIZE" )),
distance_function = DistanceFunction . COSINE ,
)Chromaは、AI-Nativeオープンソースベクトルデータベースです。 Chromaを使用すると、LLMの知識、事実、およびスキルを作成できるようにすることで、LLMアプリを簡単に構築できます。
from pyvectordb import ChromaDB
vector_db = ChromaDB (
host = os . getenv ( "CH_HOST" ),
port = os . getenv ( "CH_PORT" ),
auth_provider = os . getenv ( "CH_AUTH_PROVIDER" ),
auth_credentials = os . getenv ( "CH_AUTH_CREDENTIALS" ),
collection_name = os . getenv ( "CH_COLLECTION_NAME" ),
distance_function = DistanceFunction . L2 ,
)これらは、このシンプルなツールで利用可能な機能です
def insert_vector ( self , vector : Vector ) -> None : ...
def insert_vectors ( self , vectors : List [ Vector ]) -> None : ...
def read_vector ( self , id : str ) -> Vector | None : ...
def update_vector ( self , vector : Vector ) -> None : ...
def update_vectors ( self , vectors : List [ Vector ]) -> None : ...
def delete_vector ( self , id : str ) -> None : ...
def delete_vectors ( self , ids : Union [ List [ str ], List [ Vector ]]) -> None : ...
def get_neighbor_vectors ( self , vector : Vector , n : int ) -> List [ VectorDistance ]: ...質問、フィードバック、またはサポートが必要な場合は、お気軽にご連絡ください。
？メール：私のメール
GitHubの問題：問題を提出します
LinkedIn： LinkedInプロファイル
このプロジェクトが役立つと思う場合は、以下でサポートすることを検討してください。
あらゆる貢献がプロジェクトを改善するのに役立ちます！
