Skip to main content
兼容性：仅在 Node.js 上可用。
HNSWLib 是一个内存向量存储，可以保存到文件中。它使用 HNSWLib 库。 本指南提供了使用 HNSWLib 向量存储的快速概述。有关所有 HNSWLib 功能和配置的详细文档，请参阅 API 参考。

​
概述

​
集成细节

ClassPackagePY supportVersion
HNSWLib@langchain/community❌NPM - Version

​
设置

要使用 HNSWLib 向量存储，您需要安装 @langchain/community 集成包以及作为对等依赖项的 hnswlib-node 包。 本指南还将使用 OpenAI 嵌入，这需要您安装 @langchain/openai 集成包。如果您愿意，也可以使用 其他支持的嵌入模型。 
npm install @langchain/community hnswlib-node @langchain/openai @langchain/core
在 Windows 上，您可能需要首先安装 Visual Studio 才能正确构建 hnswlib-node 包。

​
凭据

由于 HNSWLib 在本地运行，因此您不需要任何凭据即可使用它。 如果您在本指南中使用 OpenAI 嵌入，您还需要设置您的 OpenAI 密钥： 
process.env.OPENAI_API_KEY = "YOUR_API_KEY";
如果您想获取模型调用的自动跟踪，您还可以通过取消注释以下内容来设置您的 LangSmith API 密钥： 
// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="your-api-key"

​
实例化

import { HNSWLib } from "@langchain/community/vectorstores/hnswlib";
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const vectorStore = await HNSWLib.fromDocuments([], embeddings);

​
管理向量存储

​
向向量存储添加项目

import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "The powerhouse of the cell is the mitochondria",
  metadata: { source: "https://example.com" }
};

const document2: Document = {
  pageContent: "Buildings are made out of brick",
  metadata: { source: "https://example.com" }
};

const document3: Document = {
  pageContent: "Mitochondria are made out of lipids",
  metadata: { source: "https://example.com" }
};

const document4: Document = {
  pageContent: "The 2024 Olympics are in Paris",
  metadata: { source: "https://example.com" }
}

const documents = [document1, document2, document3, document4];

await vectorStore.addDocuments(documents);
目前不支持单个文档的删除和 ID。

​
查询向量存储

一旦您的向量存储创建完毕并添加了相关文档，您很可能希望在运行链或代理期间对其进行查询。

​
直接查询

执行简单的相似性搜索可以按如下方式完成： 
const filter = (doc) => doc.metadata.source === "https://example.com";

const similaritySearchResults = await vectorStore.similaritySearch("biology", 2, filter);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}

* The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* Mitochondria are made out of lipids [{"source":"https://example.com"}]
过滤器是可选的，并且必须是一个谓词函数，它接受一个文档作为输入，并根据是否应返回文档返回 true or false。 如果您想执行相似性搜索并接收相应的分数，您可以运行： 
const similaritySearchWithScoreResults = await vectorStore.similaritySearchWithScore("biology", 2, filter)

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(`* [SIM=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(doc.metadata)}]`);
}

* [SIM=0.835] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.852] Mitochondria are made out of lipids [{"source":"https://example.com"}]

​
通过转换为检索器进行查询

您还可以将向量存储转换为 检索器，以便在链中更轻松地使用。 
const retriever = vectorStore.asRetriever({
  // Optional filter
  filter: filter,
  k: 2,
});
await retriever.invoke("biology");

[
  {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' }
  },
  {
    pageContent: 'Mitochondria are made out of lipids',
    metadata: { source: 'https://example.com' }
  }
]

​
用于检索增强生成的用法

有关如何将此向量存储用于检索增强生成 (RAG) 的指南，请参阅以下部分：

​
保存到文件/从文件加载

HNSWLib 支持将索引保存到文件，然后在以后的日期重新加载它： 
// Save the vector store to a directory
const directory = "your/directory/here";
await vectorStore.save(directory);

// Load the vector store from the same directory
const loadedVectorStore = await HNSWLib.load(directory, new OpenAIEmbeddings());

// vectorStore and loadedVectorStore are identical
await loadedVectorStore.similaritySearch("hello world", 1);

​
删除已保存的索引

您可以使用 .delete 方法清除保存到给定目录的索引： 
// Load the vector store from the same directory
const savedVectorStore = await HNSWLib.load(directory, new OpenAIEmbeddings());

await savedVectorStore.delete({ directory });

​
API 参考

有关所有 HNSWLib 功能和配置的详细文档，请参阅 API 参考。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.