pyvectordb

Pyvectordb

Родился, чтобы быть простым. Simple Python Wrapper обеспечивает эффективную поддержку операций CRUD и запроса векторными базами данных. ».

---

Начиная

Установка

Чтобы установить все векторные поддержки базы данных DepedEntes (требуют большого количества дискового пространства, не рекомендуется)

pip install pyvectordb[all]

Если вам нужен только конкретный двигатель векторной базы данных, вы можете использовать (рекомендуется)

pip install pyvectordb[pgvector]

pip install pyvectordb[qdrant]

pip install pyvectordb[chromadb]

Примеры использования

1. PGVector

PGVector - это расширение для PostgreSQL, которое позволяет хранить, индексацию и запросы векторных внедрений. Он предназначен для поддержки поиска сходства вектора, который полезен в приложениях машинного обучения, таких как обработка естественного языка, распознавание изображений и системы рекомендаций. Хранив векторные встроения в качестве типа данных, PGVector обеспечивает эффективные поиски сходства, используя метрики расстояния, такие как сходство косинуса, евклидовое расстояние, внутренний продукт и т. Д.

 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

Qdrant «-это поисковая система сходства вектора, которая предоставляет услугу, готовую к производству с удобным API для хранения, поиска и управления баллами (т.е. векторами) с дополнительной полезной нагрузкой». Вы можете думать о полезных нагрузках как о дополнительных фрагментах информации, которые могут помочь вам отточить поиск, а также получить полезную информацию, которую вы можете предоставить своим пользователям.

Использование Qdrant в Pyvectordb простое, вам нужно только изменить клиент на 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-это AI-коренная база данных с открытым исходным кодом. Chroma позволяет легко создавать приложения LLM, делая знания, факты и навыки, подлежащие платям для 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 ,
)

Доступные функции

Это доступные функции в этом простом инструменте

 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 ]: ...

---

Поддержка и контакт

Если у вас есть какие -либо вопросы, обратная связь или поддержка, не стесняйтесь обратиться:

? Электронная почта: моя электронная почта
GitHub Вопросы: отправьте проблему
LinkedIn: профиль LinkedIn

---

Поддержать проект

Если вы обнаружите этот проект полезным, рассмотрите возможность поддержки его:

• В главной роли в этом репозитории
• ? Поднять проект и внести свой вклад
• ? Обмен вашими отзывы или запросами функций

Каждый вклад помогает сделать проект лучше!