CockroachDB 集成

CockroachDB 是一个分布式 SQL 数据库，构建于事务性强且高度一致的键值存储之上。它支持水平扩展，能够在磁盘、机器、机架甚至数据中心故障时保持运行，延迟中断极小且无需人工干预。

主要特性：

分布式 SQL：在扩展的同时保持 ACID 保证
原生向量支持：内置 VECTOR 类型（v24.2+）和 C-SPANN 索引（v25.2+）
兼容 PostgreSQL：可直接替换 PostgreSQL 应用程序
全局复制：多区域部署，低延迟
自动分片：数据自动分布在节点间
可序列化隔离：默认使用最强隔离级别

安装与设置

安装 LangChain 集成：

pip install langchain-cockroachdb

获取 CockroachDB 连接字符串

你需要一个 CockroachDB 集群。选择以下任一选项： 选项 1：CockroachDB Cloud（推荐）

在 cockroachlabs.cloud 注册
创建一个免费集群
获取连接字符串：cockroachdb://user:pass@host:26257/db?sslmode=verify-full

选项 2：Docker（开发环境）

docker run -d --name cockroachdb -p 26257:26257 \
  cockroachdb/cockroach:latest start-single-node --insecure

连接字符串：cockroachdb://root@localhost:26257/defaultdb?sslmode=disable 选项 3：本地二进制文件 从 cockroachlabs.com/docs/releases 下载

集成

向量存储

CockroachDB 可用作向量存储，支持原生 VECTOR 类型和 C-SPANN 分布式索引。 主要特性：

原生向量支持（v24.2+）
针对分布式系统优化的 C-SPANN 索引（v25.2+）
高级元数据过滤
使用前缀列实现多租户
水平可扩展性

详细用法请参阅 CockroachDB 向量存储文档。 快速示例：

from langchain_cockroachdb import AsyncCockroachDBVectorStore, CockroachDBEngine
from langchain_openai import OpenAIEmbeddings

# 初始化
engine = CockroachDBEngine.from_connection_string(
    "cockroachdb://user:pass@host:26257/db"
)

await engine.ainit_vectorstore_table(
    table_name="documents",
    vector_dimension=1536,
)

vectorstore = AsyncCockroachDBVectorStore(
    engine=engine,
    embeddings=OpenAIEmbeddings(),
    collection_name="documents",
)

# 使用它
ids = await vectorstore.aadd_texts(["Hello world"])
results = await vectorstore.asimilarity_search("Hi", k=1)

聊天消息历史

在 CockroachDB 中存储对话历史，用于持久化、分布式的聊天应用。 主要特性：

带自动复制的分布式存储
强一致性（可序列化）
基于会话的组织
高可用性

详细用法请参阅 CockroachDB 聊天历史文档。 快速示例：

from langchain_cockroachdb import CockroachDBChatMessageHistory
import uuid

chat_history = CockroachDBChatMessageHistory(
    session_id=str(uuid.uuid4()),
    connection_string=CONNECTION_STRING,
    table_name="chat_history",
)

from langchain.messages import HumanMessage, AIMessage

await chat_history.aadd_message(HumanMessage(content="Hello!"))
await chat_history.aadd_message(AIMessage(content="Hi there!"))

messages = await chat_history.aget_messages()

LangGraph 检查点存储器

在 CockroachDB 中持久化 LangGraph 工作流状态，用于短期记忆、人机交互和容错。同步（CockroachDBSaver）和异步（AsyncCockroachDBSaver）实现均可用。

首次使用 CockroachDB 检查点存储器时，请调用 checkpointer.setup()（或 await checkpointer.setup()）以创建所需的表。

同步
异步

import os
from langchain.chat_models import init_chat_model
from langgraph.graph import StateGraph, MessagesState, START
from langchain_cockroachdb import CockroachDBSaver

model = init_chat_model(model="claude-haiku-4-5-20251001")

DB_URI = os.environ["COCKROACHDB_URI"]
# 示例："cockroachdb://user:password@host:26257/defaultdb?sslmode=verify-full"
with CockroachDBSaver.from_conn_string(DB_URI) as checkpointer:
    # checkpointer.setup()

    def call_model(state: MessagesState):
        response = model.invoke(state["messages"])
        return {"messages": response}

    builder = StateGraph(MessagesState)
    builder.add_node(call_model)
    builder.add_edge(START, "call_model")

    graph = builder.compile(checkpointer=checkpointer)

    config = {"configurable": {"thread_id": "1"}}

    for chunk in graph.stream(
        {"messages": [{"role": "user", "content": "hi! I'm bob"}]},
        config,
        stream_mode="values"
    ):
        chunk["messages"][-1].pretty_print()

    for chunk in graph.stream(
        {"messages": [{"role": "user", "content": "what's my name?"}]},
        config,
        stream_mode="values"
    ):
        chunk["messages"][-1].pretty_print()

import os
from langchain.chat_models import init_chat_model
from langgraph.graph import StateGraph, MessagesState, START
from langchain_cockroachdb import AsyncCockroachDBSaver

model = init_chat_model(model="claude-haiku-4-5-20251001")

DB_URI = os.environ["COCKROACHDB_URI"]
# 示例："cockroachdb://user:password@host:26257/defaultdb?sslmode=verify-full"
async with AsyncCockroachDBSaver.from_conn_string(DB_URI) as checkpointer:
    # await checkpointer.setup()

    async def call_model(state: MessagesState):
        response = await model.ainvoke(state["messages"])
        return {"messages": response}

    builder = StateGraph(MessagesState)
    builder.add_node(call_model)
    builder.add_edge(START, "call_model")

    graph = builder.compile(checkpointer=checkpointer)

    config = {"configurable": {"thread_id": "1"}}

    async for chunk in graph.astream(
        {"messages": [{"role": "user", "content": "hi! I'm bob"}]},
        config,
        stream_mode="values"
    ):
        chunk["messages"][-1].pretty_print()

    async for chunk in graph.astream(
        {"messages": [{"role": "user", "content": "what's my name?"}]},
        config,
        stream_mode="values"
    ):
        chunk["messages"][-1].pretty_print()

连接选项（包括 CockroachDB Cloud（推荐用于生产环境）、Docker 和本地二进制文件安装）请参阅上方的获取 CockroachDB 连接字符串。对于本地开发，sslmode=disable 是可接受的；在生产环境中请始终使用 sslmode=verify-full。

检查点存储器使用原始 psycopg3 连接（而非 SQLAlchemy）以兼容 LangGraph 的检查点接口。from_conn_string 工厂方法接受 cockroachdb:// URL 并自动转换。

行级 TTL（v0.2.1+）

使用 CockroachDB 的行级 TTL 自动过期旧检查点数据：

with CockroachDBSaver.from_conn_string(DB_URI) as checkpointer:
    checkpointer.setup()

    # 使超过 30 天的检查点过期，每天清理一次
    checkpointer.enable_ttl(ttl_interval="30 days", cron="@daily")

    # 正常使用检查点存储器 -- 旧数据会自动清理
    graph = builder.compile(checkpointer=checkpointer)

    # 稍后禁用 TTL：
    # checkpointer.disable_ttl()

异步变体：await checkpointer.aenable_ttl(ttl_interval="7 days", cron="@hourly")

TTL 删除是最终的 — 过期的行在 CockroachDB 的后台作业按指定 cron 计划运行之前仍可查询。

性能优化（v0.2.1+）

检查点存储器包含多项针对低延迟读取的优化：

批量获取：list() 使用 2 个批量查询获取所有 blob 和写入，而不是每个检查点 2 个查询
原始 BYTEA：使用 psycopg3 二进制协议，而非在 SQL 中对 blob 进行十六进制编码
预处理语句：from_conn_string() 启用服务器端查询计划缓存（prepare_threshold=5）

多租户

使用可选的命名空间列按租户隔离向量数据。启用后，所有 CRUD 和搜索操作都限定在指定的命名空间内。 CockroachDB 的 C-SPANN 索引支持前缀列，因此命名空间过滤直接使用向量索引，无需单独扫描。

from langchain_cockroachdb import AsyncCockroachDBVectorStore, CockroachDBEngine
from langchain_openai import OpenAIEmbeddings

engine = CockroachDBEngine.from_connection_string(CONNECTION_STRING)

# 创建带有命名空间列的表
await engine.ainit_vectorstore_table(
    table_name="documents",
    vector_dimension=1536,
    namespace_column="namespace",
)

# 创建限定于特定租户的向量存储
vectorstore = AsyncCockroachDBVectorStore(
    engine=engine,
    embeddings=OpenAIEmbeddings(),
    collection_name="documents",
    namespace="tenant_a",
)

# 所有操作都限定在 tenant_a 内
ids = await vectorstore.aadd_texts(["Tenant A document"])
results = await vectorstore.asimilarity_search("query", k=5)

为什么选择 CockroachDB 用于 AI 应用？

设计即分布式

水平可扩展性：添加节点以处理更多负载
多区域部署：为全球用户提供低延迟服务
自动再平衡：数据自动在节点间分布

生产就绪的可靠性

高可用性：能够承受节点、机架和数据中心故障
零停机升级：滚动更新，无停机时间
备份与恢复：时间点恢复

大规模向量搜索

C-SPANN 索引：分布式近似最近邻搜索
原生向量类型：对嵌入向量的一流支持
实时索引：新向量无需重建
多租户：使用前缀列实现高效租户隔离

PostgreSQL 兼容性

轻松迁移：可直接替换 PostgreSQL
熟悉的 SQL：标准 PostgreSQL 语法
现有工具：兼容 PostgreSQL 驱动程序和工具

资源

支持

将这些文档通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。

在 GitHub 上编辑此页面或提交问题。

Popular Providers

Integrations by component

安装与设置

获取 CockroachDB 连接字符串

集成

向量存储

聊天消息历史

LangGraph 检查点存储器

行级 TTL（v0.2.1+）

性能优化（v0.2.1+）

多租户

为什么选择 CockroachDB 用于 AI 应用？

设计即分布式

生产就绪的可靠性

大规模向量搜索

PostgreSQL 兼容性

资源

支持

​安装与设置

​获取 CockroachDB 连接字符串

​集成

​向量存储

​聊天消息历史

​LangGraph 检查点存储器

​行级 TTL（v0.2.1+）

​性能优化（v0.2.1+）

​多租户

​为什么选择 CockroachDB 用于 AI 应用？

​设计即分布式

​生产就绪的可靠性

​大规模向量搜索

​PostgreSQL 兼容性

​资源

​支持

安装与设置

获取 CockroachDB 连接字符串

集成

向量存储

聊天消息历史

LangGraph 检查点存储器

行级 TTL（v0.2.1+）

性能优化（v0.2.1+）

多租户

为什么选择 CockroachDB 用于 AI 应用？

设计即分布式

生产就绪的可靠性

大规模向量搜索

PostgreSQL 兼容性

资源

支持