Download de pyvectordb - pyvectordb Download de código fonte

pyvectordb

Outro código-fonte

v0.1.7

Baixar

Pyvectordb

Nascido para ser simples. O Wrapper Python simples fornece suporte eficiente para operações do CRUD e consulta com bancos de dados vetoriais. ".

Começando

Instalação

Para instalar todas as dependências de suporte ao banco de dados do vetor (requer muito espaço em disco, não recomendado)

pip install pyvectordb[all]

Se você precisar apenas de um mecanismo de banco de dados vetorial específico, poderá usar (recomendado)

pip install pyvectordb[pgvector]

pip install pyvectordb[qdrant]

pip install pyvectordb[chromadb]

Exemplos de uso

1. PGVECTOR

O PGVector é uma extensão para o PostgreSQL que permite o armazenamento, indexação e consulta de incorporações de vetor. Ele foi projetado para oferecer suporte à pesquisa de similaridade vetorial, que é útil em aplicativos de aprendizado de máquina, como processamento de linguagem natural, reconhecimento de imagem e sistemas de recomendação. Ao armazenar incorporações vetoriais como tipo de dados, o PGVector permite pesquisas eficientes de similaridade usando métricas de distância, como similaridade de cosseno, distância euclidiana, produto interno, etc.

 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 ])

2. QDRANT

O QDRANT "é um mecanismo de pesquisa de similaridade vetorial que fornece um serviço pronto para produção com uma API conveniente para armazenar, pesquisar e gerenciar pontos (ou seja, vetores) com uma carga útil adicional". Você pode pensar nas cargas úteis como informações adicionais que podem ajudá -lo a aprimorar sua pesquisa e também receber informações úteis que você pode fornecer aos seus usuários.

Usando o QDRANT no pyvectordb é simples, você só precisa alterar o cliente para QdrantDB

 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 ,
)

3. Chroma DB

Chroma é o banco de dados vetorial de código aberto da AI. O Chroma facilita a criação de aplicativos LLM, criando conhecimento, fatos e habilidades flugable para o LLMS.

 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 ,
)

Funções disponíveis

Estas são funções disponíveis nesta ferramenta simples

 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 ]: ...