Skip to main content
本页提供了将 Astra DB 用作向量存储的快速入门指南。
DataStax Astra DB 是一个无服务器的 AI 就绪数据库，构建于 Apache Cassandra® 之上，并通过易于使用的 JSON API 方便地提供。

​
设置

​
依赖项

使用此集成需要 langchain-astradb 合作伙伴包： 
!pip install \
    "langchain>=0.3.23,<0.4" \
    "langchain-core>=0.3.52,<0.4" \
    "langchain-astradb>=0.6,<0.7"

​
凭据

要使用 AstraDB 向量存储，您必须首先访问 AstraDB 网站，创建一个账户，然后创建一个新数据库——初始化可能需要几分钟。 数据库初始化完成后，检索您的连接密钥，您稍后将需要这些密钥。这些密钥包括：
  • 一个 API Endpoint，例如 "https://01234567-89ab-cdef-0123-456789abcdef-us-east1.apps.astra.datastax.com/"
  • 和一个 Database Token，例如 "AstraCS:aBcD123......"
您可以选择提供一个 keyspace（在 LangChain 组件中称为 “namespace”），您可以从数据库仪表板的 Data Explorer 选项卡管理它。如果需要，您可以在下面的提示中将其留空，并回退到默认的 keyspace。 
import getpass

ASTRA_DB_API_ENDPOINT = input("ASTRA_DB_API_ENDPOINT = ").strip()
ASTRA_DB_APPLICATION_TOKEN = getpass.getpass("ASTRA_DB_APPLICATION_TOKEN = ").strip()

desired_keyspace = input("(optional) ASTRA_DB_KEYSPACE = ").strip()
if desired_keyspace:
    ASTRA_DB_KEYSPACE = desired_keyspace
else:
    ASTRA_DB_KEYSPACE = None

ASTRA_DB_API_ENDPOINT =  https://01234567-89ab-cdef-0123-456789abcdef-us-east1.apps.astra.datastax.com
ASTRA_DB_APPLICATION_TOKEN =  ········
(optional) ASTRA_DB_KEYSPACE =
如果您想获得最佳的模型调用自动化跟踪，您还可以通过取消注释下方来设置您的 LangSmith API 密钥： 
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

​
初始化

有多种方法可以创建 Astra DB 向量存储：

​
方法 1：显式嵌入

您可以单独实例化一个 langchain_core.embeddings.Embeddings 类，并将其传递给 AstraDBVectorStore 构造函数，就像大多数其他 LangChain 向量存储一样。

​
方法 2：服务器端嵌入（‘vectorize’）

或者，您可以使用 Astra DB 的服务器端嵌入计算功能（‘vectorize’），并在为存储创建服务器基础结构时简单地指定一个嵌入模型。随后的读写操作中，嵌入计算将完全在数据库内处理。（要使用此方法，您必须已为数据库启用所需的嵌入集成，如文档中所述。）

​
方法 3：从现有集合自动检测

您可能已经在 Astra DB 中有一个集合，可能已通过其他方式（例如通过 Astra UI 或第三方应用程序）预先填充了数据，并且只想在 LangChain 中开始查询它。在这种情况下，正确的方法是在向量存储构造函数中启用 autodetect_collection 模式，并让类自行确定详细信息。（当然，如果您的集合没有 ‘vectorize’，您仍然需要提供一个 Embeddings 对象）。

​
关于“混合搜索”的说明

Astra DB 向量存储支持在向量搜索中进行元数据搜索；此外，版本 0.6 通过 findAndRerank 数据库原语引入了对_混合搜索_的全面支持：文档从向量相似度_和_基于关键字的（“词汇”）搜索中检索，然后通过重排模型合并。这种完全在服务器端处理的搜索策略可以提高结果的准确性，从而改善您的 RAG 应用程序的质量。只要可用，向量存储会自动使用混合搜索（尽管如果您愿意，可以手动控制它）。

​
其他信息

AstraDBVectorStore 可以通过多种方式配置；请参阅 API 参考 获取完整指南，涵盖例如异步初始化；非 Astra DB 数据库；自定义索引允许/拒绝列表；手动混合搜索控制；以及更多内容。

​
显式嵌入初始化（方法 1）

使用显式嵌入类实例化我们的向量存储： 
# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

from langchain_astradb import AstraDBVectorStore

vector_store_explicit_embeddings = AstraDBVectorStore(
    collection_name="astra_vector_langchain",
    embedding=embeddings,
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
    namespace=ASTRA_DB_KEYSPACE,
)

​
服务器端嵌入初始化（“vectorize”，方法 2）

在此示例代码中，假设您已：
  • 在您的 Astra DB 组织中启用了 OpenAI 集成，
  • 向集成添加了一个名为 "OPENAI_API_KEY" 的 API 密钥，并将其限定到您正在使用的数据库。
有关更多详细信息，包括切换提供程序/模型的说明，请查阅文档。 
from astrapy.info import VectorServiceOptions

openai_vectorize_options = VectorServiceOptions(
    provider="openai",
    model_name="text-embedding-3-small",
    authentication={
        "providerKey": "OPENAI_API_KEY",
    },
)

vector_store_integrated_embeddings = AstraDBVectorStore(
    collection_name="astra_vectorize_langchain",
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
    namespace=ASTRA_DB_KEYSPACE,
    collection_vector_service_options=openai_vectorize_options,
)

​
自动检测初始化（方法 3）

如果集合已存在于数据库上，并且您的 AstraDBVectorStore 需要使用它（用于读写），则可以使用此模式。LangChain 组件将检查集合并确定详细信息。 如果集合已由 LangChain 以外的工具创建和——最重要的是——填充，例如数据已通过 Astra DB Web 界面摄取，则这是推荐的方法。 自动检测模式不能与_集合_设置（例如相似度度量等）共存；另一方面，如果未使用服务器端嵌入，仍然需要向构造函数传递一个 Embeddings 对象。 在下面的示例代码中，我们将“自动检测”由上述方法 2（“vectorize”）创建的同一个集合。因此，不需要提供 Embeddings 对象。 
vector_store_autodetected = AstraDBVectorStore(
    collection_name="astra_vectorize_langchain",
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
    namespace=ASTRA_DB_KEYSPACE,
    autodetect_collection=True,
)

​
管理向量存储

创建向量存储后，通过添加和删除不同项与其交互。 所有与向量存储的交互都独立于初始化方法进行：如果需要，请调整以下单元格，以选择您创建并想要测试的向量存储。 
# 如果需要，在此处取消注释不同的行：

# vector_store = vector_store_explicit_embeddings
vector_store = vector_store_integrated_embeddings
# vector_store = vector_store_autodetected

​
向向量存储添加项

使用 add_documents 方法向向量存储添加文档。 “id”字段可以单独提供，在 add_documents 的匹配 ids=[...] 参数中，或者完全省略以让存储生成 ID。 
from langchain_core.documents import Document

documents_to_insert = [
    Document(
        page_content="ZYX, just another tool in the world, is actually my agent-based superhero",
        metadata={"source": "tweet"},
        id="entry_00",
    ),
    Document(
        page_content="I had chocolate chip pancakes and scrambled eggs "
        "for breakfast this morning.",
        metadata={"source": "tweet"},
        id="entry_01",
    ),
    Document(
        page_content="The weather forecast for tomorrow is cloudy and "
        "overcast, with a high of 62 degrees.",
        metadata={"source": "news"},
        id="entry_02",
    ),
    Document(
        page_content="Building an exciting new project with LangChain "
        "- come check it out!",
        metadata={"source": "tweet"},
        id="entry_03",
    ),
    Document(
        page_content="Robbers broke into the city bank and stole $1 million in cash.",
        metadata={"source": "news"},
        id="entry_04",
    ),
    Document(
        page_content="Thanks to her sophisticated language skills, the agent "
        "managed to extract strategic information all right.",
        metadata={"source": "tweet"},
        id="entry_05",
    ),
    Document(
        page_content="Is the new iPhone worth the price? Read this review to find out.",
        metadata={"source": "website"},
        id="entry_06",
    ),
    Document(
        page_content="The top 10 soccer players in the world right now.",
        metadata={"source": "website"},
        id="entry_07",
    ),
    Document(
        page_content="LangGraph is the best framework for building stateful, "
        "agentic applications!",
        metadata={"source": "tweet"},
        id="entry_08",
    ),
    Document(
        page_content="The stock market is down 500 points today due to "
        "fears of a recession.",
        metadata={"source": "news"},
        id="entry_09",
    ),
    Document(
        page_content="I have a bad feeling I am going to get deleted :(",
        metadata={"source": "tweet"},
        id="entry_10",
    ),
]


vector_store.add_documents(documents=documents_to_insert)

['entry_00',
 'entry_01',
 'entry_02',
 'entry_03',
 'entry_04',
 'entry_05',
 'entry_06',
 'entry_07',
 'entry_08',
 'entry_09',
 'entry_10']

​
从向量存储删除项

使用 delete 函数按 ID 删除项。 
vector_store.delete(ids=["entry_10", "entry_02"])

True

​
查询向量存储

创建并填充向量存储后，您可以查询它（例如，作为链或代理的一部分）。

​
直接查询

​
相似度搜索

搜索与提供的文本相似的文档，如果需要，可以附加元数据过滤器： 
results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=3,
    filter={"source": "tweet"},
)
for res in results:
    print(f'* "{res.page_content}", metadata={res.metadata}')

* "Building an exciting new project with LangChain - come check it out!", metadata={'source': 'tweet'}
* "LangGraph is the best framework for building stateful, agentic applications!", metadata={'source': 'tweet'}
* "Thanks to her sophisticated language skills, the agent managed to extract strategic information all right.", metadata={'source': 'tweet'}

​
带分数的相似度搜索

您也可以返回相似度分数： 
results = vector_store.similarity_search_with_score(
    "LangChain provides abstractions to make working with LLMs easy",
    k=3,
    filter={"source": "tweet"},
)
for res, score in results:
    print(f'* [SIM={score:.2f}] "{res.page_content}", metadata={res.metadata}')

* [SIM=0.71] "Building an exciting new project with LangChain - come check it out!", metadata={'source': 'tweet'}
* [SIM=0.70] "LangGraph is the best framework for building stateful, agentic applications!", metadata={'source': 'tweet'}
* [SIM=0.61] "Thanks to her sophisticated language skills, the agent managed to extract strategic information all right.", metadata={'source': 'tweet'}

​
指定不同的关键字查询（需要混合搜索）

注意：仅当集合支持 find-and-rerank 命令且向量存储知晓此事实时，才能运行此单元格。
如果向量存储使用支持混合的集合并已检测到此事实，默认情况下它将在运行搜索时使用该功能。 在这种情况下，相同的查询文本将用于 find-and-rerank 过程中的向量相似度和基于词汇的检索步骤，除非您为后者明确提供不同的查询： 
results = vector_store_autodetected.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=3,
    filter={"source": "tweet"},
    lexical_query="agent",
)
for res in results:
    print(f'* "{res.page_content}", metadata={res.metadata}')

* "Building an exciting new project with LangChain - come check it out!", metadata={'source': 'tweet'}
* "LangGraph is the best framework for building stateful, agentic applications!", metadata={'source': 'tweet'}
* "ZYX, just another tool in the world, is actually my agent-based superhero", metadata={'source': 'tweet'}
上面的示例硬编码了“自动检测”的向量存储，它肯定已经检查了集合并确定了混合搜索是否可用。另一个选项是向构造函数显式提供混合搜索参数（有关更多详细信息/示例，请参阅 API 参考）。

​
其他搜索方法

还有多种其他搜索方法未在本笔记本中涵盖，例如 MMR 搜索和按向量搜索。 有关 AstraDBVectorStore 中可用搜索模式的完整列表，请查看 API 参考。

​
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。 将向量存储转换为检索器，并使用简单查询 + 元数据过滤器调用它： 
retriever = vector_store.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={"k": 1, "score_threshold": 0.5},
)
retriever.invoke("Stealing from the bank is a crime", filter={"source": "news"})

[Document(id='entry_04', metadata={'source': 'news'}, page_content='Robbers broke into the city bank and stole $1 million in cash.')]

​
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： 更多内容，请查看使用 Astra DB 的完整 RAG 模板。

​
清理向量存储

如果您想从 Astra DB 实例中完全删除集合，请运行此命令。 (您将丢失存储在其中的数据。) 
vector_store.delete_collection()

​
API 参考

有关所有 AstraDBVectorStore 功能和配置的详细文档，请查阅 API 参考。
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。