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

类包PY 支持版本
MemoryVectorStorelangchain❌NPM - Version

​
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。 
npm install langchain @langchain/openai @langchain/core

​
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： 
process.env.OPENAI_API_KEY = "YOUR_API_KEY";
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： 
// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="your-api-key"

​
实例化

import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

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

const vectorStore = new MemoryVectorStore(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 documents = [document1, document2, document3];

await vectorStore.addDocuments(documents);

​
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： 
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，该函数以文档作为输入，并根据文档是否应被返回而返回 true 或 false。 如果你想执行相似性搜索并接收相应的分数，你可以运行： 
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=0.165] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.148] Mitochondria are made out of lipids [{"source":"https://example.com"}]

​
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： 
const retriever = vectorStore.asRetriever({
  // 可选过滤器
  filter: filter,
  k: 2,
});

await retriever.invoke("biology");

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

​
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： 
const mmrRetriever = vectorStore.asRetriever({
  searchType: "mmr",
  searchKwargs: {
    fetchK: 10,
  },
  // 可选过滤器
  filter: filter,
  k: 2,
});

await mmrRetriever.invoke("biology");

[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Buildings are made out of brick',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

​
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：
将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。