Skip to main content
Upstash 为开发者提供无服务器数据库和消息平台，让开发者可以构建强大的应用程序，而无需担心大规模运行数据库的运维复杂性。 Upstash 的一个显著优势是其数据库支持 HTTP，所有 SDK 都使用 HTTP。这意味着你可以在无服务器平台、边缘计算或任何不支持 TCP 连接的平台上运行。 目前，LangChain 有两个 Upstash 集成可用：Upstash Vector 作为向量嵌入数据库，以及 Upstash Redis 作为缓存和内存存储。

​
Upstash Vector

Upstash Vector 是一个无服务器向量数据库，可用于存储和查询向量。

​
安装

在 Upstash Console 创建一个新的无服务器向量数据库。根据你的模型选择合适的距离度量和维度数量。 通过 pip install upstash-vector 安装 Upstash Vector Python SDK。LangChain 中的 Upstash Vector 集成是 Upstash Vector Python SDK 的封装，因此需要安装 upstash-vector 包。

​
集成

使用来自 Upstash Console 的凭据创建 UpstashVectorStore 对象。你还需要传入一个 Embeddings 对象，用于将文本转换为向量嵌入。 
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
)
另一种使用 UpstashVectorStore 的方式是传入 embedding=True。这是 UpstashVectorStore 的独特功能，得益于 Upstash Vector 索引可以关联嵌入模型的能力。在此配置下，我们想要插入的文档或想要搜索的查询直接作为文本发送到 Upstash Vector。在后台，Upstash Vector 会对这些文本进行嵌入并执行请求。要使用此功能，创建一个选择了模型的 Upstash Vector 索引，然后简单地传入 embedding=True： 
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=True
)
有关嵌入模型的更多详情，请参阅 Upstash Vector 文档。

​
命名空间

你可以使用命名空间对索引中的数据进行分区。当你想对大量数据进行查询，并希望通过分区加快查询速度时，命名空间非常有用。使用命名空间时，结果不会进行后置过滤，这将使查询结果更加精确。 
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
    namespace="my_namespace"
)

​
插入向量

from langchain.text_splitter import CharacterTextSplitter
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings

loader = TextLoader("../../modules/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# 创建新的嵌入对象
embeddings = OpenAIEmbeddings()

# 创建新的 UpstashVectorStore 对象
store = UpstashVectorStore(
    embedding=embeddings
)

# 将文档嵌入向量插入存储
store.add_documents(docs)
插入文档时，首先使用 Embeddings 对象对其进行嵌入。 大多数嵌入模型可以一次嵌入多个文档，因此文档会被批量并行嵌入。批次大小可通过 embedding_chunk_size 参数控制。 嵌入后的向量会存储在 Upstash Vector 数据库中。发送时，多个向量会被批量处理以减少 HTTP 请求次数。批次大小可通过 batch_size 参数控制。Upstash Vector 在免费套餐中每批最多限制 1000 个向量。 
store.add_documents(
    documents,
    batch_size=100,
    embedding_chunk_size=200
)

​
查询向量

可以使用文本查询或另一个向量进行查询。 返回值是一个 Document 对象列表。 
result = store.similarity_search(
    "The United States of America",
    k=5
)
或使用向量： 
vector = embeddings.embed_query("Hello world")

result = store.similarity_search_by_vector(
    vector,
    k=5
)
搜索时，还可以使用 filter 参数按元数据过滤： 
result = store.similarity_search(
    "The United States of America",
    k=5,
    filter="type = 'country'"
)
有关元数据过滤的更多详情，请参阅 Upstash Vector 文档。

​
删除向量

可以通过 ID 删除向量。 
store.delete(["id1", "id2"])

​
获取存储信息

你可以使用 info 函数获取数据库相关信息，例如距离度量和维度。 当插入发生时，数据库会进行索引。在此过程中，新向量无法被查询。pendingVectorCount 表示当前正在被索引的向量数量。 
info = store.info()
print(info)

# 输出：
# {'vectorCount': 44, 'pendingVectorCount': 0, 'indexSize': 2642412, 'dimension': 1536, 'similarityFunction': 'COSINE'}

​
Upstash Redis

本页介绍如何在 LangChain 中使用 Upstash Redis。

​
安装与设置

  • 可通过 pip install upstash-redis 安装 Upstash Redis Python SDK
  • 可在 Upstash Console 创建全球分布式、低延迟、高可用的数据库

​
集成

所有 Upstash-LangChain 集成均基于 upstash-redis Python SDK 作为 LangChain 封装。该 SDK 通过控制台提供的 UPSTASH_REDIS_REST_URL 和 UPSTASH_REDIS_REST_TOKEN 参数使用 Upstash Redis DB。

​
缓存

Upstash Redis 可用作 LLM 提示和响应的缓存。 导入此缓存： 
from langchain.cache import UpstashRedisCache
与 LLM 配合使用： 
import langchain
from upstash_redis import Redis

URL = "<UPSTASH_REDIS_REST_URL>"
TOKEN = "<UPSTASH_REDIS_REST_TOKEN>"

langchain.llm_cache = UpstashRedisCache(redis_=Redis(url=URL, token=TOKEN))
在 GitHub 上编辑此页面或提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等以获取实时答案。