pyvectordb

pyvectordb

天生很简单。简单的Python包装器为CRUD操作提供了有效的支持，并使用向量数据库进行查询。”

---

入门

安装

要安装所有矢量数据库支持，需要大量磁盘空间，不建议使用）

pip install pyvectordb[all]

如果您只需要特定的矢量数据库引擎，则可以使用（建议）

pip install pyvectordb[pgvector]

pip install pyvectordb[qdrant]

pip install pyvectordb[chromadb]

用法示例

1。PGVECTOR

PGVECTOR是PostgreSQL的扩展名，可允许对向量嵌入的存储，索引和查询。它旨在支持向量相似性搜索，该搜索在机器学习应用程序（例如自然语言处理，图像识别和推荐系统）中很有用。通过将矢量嵌入为数据类型，PGVECTOR可以使用距离指标（例如余弦相似性，欧几里得距离，内部产品等）进行有效的相似性搜索。

 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“是一种矢量相似性搜索引擎，为生产就绪服务提供了便利的API，可存储，搜索和管理点（即向量），并具有额外的有效载荷。”您可以将有效载荷视为可以帮助您进行搜索的其他信息，还可以收到可以提供给用户的有用信息。

在pyvectordb中使用qdrant很简单，您只需要将客户端更改为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。ChromaDB

Chroma是AI原始的开源矢量数据库。 Chroma可以轻松地通过为LLM提供知识，事实和技能来构建LLM应用程序。

 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 ,
)

可用功能

这些在这个简单的工具中可用

 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 ]: ...

---

支持与联系

如果您有任何疑问，反馈或需要支持，请随时接触：

？电子邮件：我的电子邮件
GitHub问题：提交一个问题
LinkedIn： LinkedIn配置文件

---

支持该项目

如果您发现该项目有帮助，请考虑以下方式支持它：

• 由这个存储库主演
• ？分叉该项目并贡献
• ？分享您的反馈或功能请求

每项贡献都可以使项目变得更好！