Skip to main content
LangChain 提供了一个内存中的临时向量存储,它将嵌入存储在内存中,并进行精确的线性搜索以查找最相似的嵌入。默认的相似度度量是余弦相似度,但可以更改为 ml-distance 支持的任何相似度度量。 由于其设计用于演示,它目前尚不支持 ID 或删除操作。 本指南提供了快速入门 MemoryVectorStore 向量存储 的概览。

概览

集成详情

设置

要使用内存中的向量存储,你需要安装 langchain 包: 本指南还将使用 OpenAI 嵌入,这需要你安装 @langchain/openai 集成包。如果你愿意,也可以使用其他支持的嵌入模型

凭证

使用内存中的向量存储不需要任何必需的凭证。 如果你在本指南中使用 OpenAI 嵌入,你还需要设置你的 OpenAI 密钥:
如果你想获得模型调用的自动跟踪,你也可以通过取消注释以下内容来设置你的 LangSmith API 密钥:

实例化

管理向量存储

向向量存储添加项目

查询向量存储

一旦你的向量存储已创建并且相关文档已添加,你很可能希望在链或代理运行期间对其进行查询。

直接查询

执行简单的相似性搜索可以按如下方式进行:
过滤器是可选的,并且必须是一个谓词函数,该函数以文档作为输入,并根据文档是否应被返回而返回 truefalse 如果你想执行相似性搜索并接收相应的分数,你可以运行:

通过转换为检索器进行查询

你也可以将向量存储转换为 检索器,以便在你的链中更轻松地使用:

最大边际相关性

此向量存储还支持最大边际相关性(MMR),这是一种首先通过经典相似性搜索获取更多结果(由 searchKwargs.fetchK 给出),然后重新排序以确保多样性并返回前 k 个结果的技术。这有助于防止冗余信息:

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: