Skip to main content
百度云向量搜索 是一个完全托管的企业级分布式搜索和分析服务，与开源 100% 兼容。百度云向量搜索为结构化/非结构化数据提供低成本、高性能、可靠的检索和分析平台级产品服务。作为向量数据库，它支持多种索引类型和相似度距离方法。
百度云 ElasticSearch 提供权限管理机制，让您可以自由配置集群权限，从而进一步保证数据安全。
本笔记本展示如何使用与 百度云 ElasticSearch VectorStore 相关的功能。要运行本笔记本，您应该有一个正在运行的 百度云 ElasticSearch 实例： 阅读帮助文档，快速熟悉并配置百度云 ElasticSearch 实例。 实例启动并运行后，按照以下步骤拆分文档、获取嵌入、连接到百度云 Elasticsearch 实例、索引文档并执行向量检索。 首先需要安装以下 Python 包。 
pip install -qU langchain-community elasticsearch == 7.11.0
首先，我们希望使用 QianfanEmbeddings，因此需要获取 Qianfan AK 和 SK。QianFan 的相关详情与百度千帆大模型平台有关。 
import getpass
import os

if "QIANFAN_AK" not in os.environ:
    os.environ["QIANFAN_AK"] = getpass.getpass("Your Qianfan AK:")
if "QIANFAN_SK" not in os.environ:
    os.environ["QIANFAN_SK"] = getpass.getpass("Your Qianfan SK:")
其次，拆分文档并获取嵌入。 
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter

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

from langchain_community.embeddings import QianfanEmbeddingsEndpoint

embeddings = QianfanEmbeddingsEndpoint()
然后，创建可访问的百度 ElasticSearch 实例。 
# Create a bes instance and index docs.
from langchain_community.vectorstores import BESVectorStore

bes = BESVectorStore.from_documents(
    documents=docs,
    embedding=embeddings,
    bes_url="your bes cluster url",
    index_name="your vector index",
)
bes.client.indices.refresh(index="your vector index")
最后，查询并检索数据。 
query = "What did the president say about Ketanji Brown Jackson"
docs = bes.similarity_search(query)
print(docs[0].page_content)
如果在使用过程中遇到任何问题，请随时联系 liuboyao@baidu.com 或 chenweixu01@baidu.com，我们将尽力为您提供支持。
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，获取实时答案。