Skip to main content
使用 gel 作为后端的 LangChain 向量存储抽象实现。
Gel 是一款开源 PostgreSQL 数据层，针对快速从开发到生产的周期进行了优化。它提供高层次的严格类型化图状数据模型、可组合的层次化查询语言、完整的 SQL 支持、迁移、Auth 和 AI 模块。 相关代码位于名为 langchain-gel 的集成包中。

​
设置

首先安装相关包： 
! pip install -qU gel langchain-gel

​
初始化

要将 Gel 用作 VectorStore 的后端，您需要一个正常运行的 Gel 实例。 幸运的是，这不一定需要 Docker 容器或其他复杂操作（除非您有此需求）。 要设置本地实例，请运行： 
! gel project init --non-interactive
如果您使用 Gel Cloud（推荐），请在命令中添加一个参数： 
gel project init --server-instance <org-name>/<instance-name>
有关运行 Gel 的完整方式列表，请参阅参考文档中的 Running Gel 部分。

​
设置 Schema

Gel schema 是对应用程序数据模型的显式高层描述。 除了让您精确定义数据的布局方式外，它还驱动 Gel 的许多强大功能，如链接、访问策略、函数、触发器、约束、索引等。 LangChain 的 VectorStore 期望 schema 采用以下布局： 
schema_content = """
using extension pgvector;

module default {
    scalar type EmbeddingVector extending ext::pgvector::vector<1536>;

    type Record {
        required collection: str;
        text: str;
        embedding: EmbeddingVector;
        external_id: str {
            constraint exclusive;
        };
        metadata: json;

        index ext::pgvector::hnsw_cosine(m := 16, ef_construction := 128)
            on (.embedding)
    }
}
""".strip()

with open("dbschema/default.gel", "w") as f:
    f.write(schema_content)
要将 schema 变更应用到数据库，请使用 Gel 的迁移机制执行迁移： 
! gel migration create --non-interactive
! gel migrate
从此时起，GelVectorStore 可作为 LangChain 中任何其他向量存储的直接替代品使用。

​
实例化

# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

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

from langchain_gel import GelVectorStore

vector_store = GelVectorStore(
    embeddings=embeddings,
)

​
管理向量存储

​
向向量存储添加条目

注意，通过 ID 添加文档会覆盖与该 ID 匹配的任何现有文档。 
from langchain_core.documents import Document

docs = [
    Document(
        page_content="there are cats in the pond",
        metadata={"id": "1", "location": "pond", "topic": "animals"},
    ),
    Document(
        page_content="ducks are also found in the pond",
        metadata={"id": "2", "location": "pond", "topic": "animals"},
    ),
    Document(
        page_content="fresh apples are available at the market",
        metadata={"id": "3", "location": "market", "topic": "food"},
    ),
    Document(
        page_content="the market also sells fresh oranges",
        metadata={"id": "4", "location": "market", "topic": "food"},
    ),
    Document(
        page_content="the new art exhibit is fascinating",
        metadata={"id": "5", "location": "museum", "topic": "art"},
    ),
    Document(
        page_content="a sculpture exhibit is also at the museum",
        metadata={"id": "6", "location": "museum", "topic": "art"},
    ),
    Document(
        page_content="a new coffee shop opened on Main Street",
        metadata={"id": "7", "location": "Main Street", "topic": "food"},
    ),
    Document(
        page_content="the book club meets at the library",
        metadata={"id": "8", "location": "library", "topic": "reading"},
    ),
    Document(
        page_content="the library hosts a weekly story time for kids",
        metadata={"id": "9", "location": "library", "topic": "reading"},
    ),
    Document(
        page_content="a cooking class for beginners is offered at the community center",
        metadata={"id": "10", "location": "community center", "topic": "classes"},
    ),
]

vector_store.add_documents(docs, ids=[doc.metadata["id"] for doc in docs])

​
从向量存储删除条目

vector_store.delete(ids=["3"])

​
查询向量存储

向量存储创建完毕并添加相关文档后，您很可能需要在链或代理运行过程中对其进行查询。

​
过滤支持

向量存储支持一组可应用于文档元数据字段的过滤器。
运算符含义/类别
$eq等于 (==)
$ne不等于 (!=)
$lt小于 (<)
$lte小于或等于 (<=)
$gt大于 (>)
$gte大于或等于 (>=)
$in特殊用途（in）
$nin特殊用途（not in）
$between特殊用途（between）
$like文本（like）
$ilike文本（不区分大小写的 like）
$and逻辑（and）
$or逻辑（or）

​
直接查询

简单相似度搜索可按如下方式执行： 
results = vector_store.similarity_search(
    "kitty", k=10, filter={"id": {"$in": ["1", "5", "2", "9"]}}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")
如果您提供包含多个字段但不含运算符的字典，顶层将被解释为逻辑 AND 过滤器。 
vector_store.similarity_search(
    "ducks",
    k=10,
    filter={
        "id": {"$in": ["1", "5", "2", "9"]},
        "location": {"$in": ["pond", "market"]},
    },
)

vector_store.similarity_search(
    "ducks",
    k=10,
    filter={
        "$and": [
            {"id": {"$in": ["1", "5", "2", "9"]}},
            {"location": {"$in": ["pond", "market"]}},
        ]
    },
)
如果您希望执行相似度搜索并获取对应分数，可以运行： 
results = vector_store.similarity_search_with_score(query="cats", k=1)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")

​
转换为检索器后查询

您也可以将向量存储转换为检索器，以便在链中更方便地使用。 
retriever = vector_store.as_retriever(search_kwargs={"k": 1})
retriever.invoke("kitty")

​
用于检索增强生成

关于如何将此向量存储用于检索增强生成（RAG）的指南，请参阅以下章节：

​
API 参考

有关所有 GelVectorStore 功能和配置的详细文档，请前往 API 参考：python.langchain.com/api_reference/
在 GitHub 上编辑此页面 或提交 Issue。
通过 MCP 将这些文档连接到 Claude、VSCode 等，获取实时答案。