LambdaDB

LambdaDB 是一个用于构建可扩展 RAG 和智能体应用程序的无服务器 AI 数据库。

本笔记本涵盖了如何在 LangChain 中开始使用 LambdaDB 向量存储。

设置

要访问 LambdaDB 向量存储，您需要创建一个 LambdaDB 账户，获取您的项目凭证，并安装 langchain-lambdadb 集成包。

凭证

LambdaDB 使用基于项目的身份验证，需要项目 URL 和 API 密钥：

import getpass
import os

if "LAMBDADB_PROJECT_URL" not in os.environ:
    os.environ["LAMBDADB_PROJECT_URL"] = getpass.getpass("Enter your LambdaDB project URL: ")

if "LAMBDADB_API_KEY" not in os.environ:
    os.environ["LAMBDADB_API_KEY"] = getpass.getpass("Enter your LambdaDB API key: ")

要启用模型调用的自动跟踪，请设置您的 LangSmith API 密钥：

os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

安装

LangChain LambdaDB 集成包含在 langchain-lambdadb 包中：

pip install -U langchain-lambdadb

您还需要安装一个嵌入模型。例如，要使用 OpenAI 嵌入：

pip install -U langchain-openai

实例化

LambdaDBVectorStore 适用于现有集合。您必须事先创建集合，并配置好适当的向量和文本索引。

from langchain_lambdadb.vectorstores import LambdaDBVectorStore
from langchain_openai import OpenAIEmbeddings
from lambdadb import LambdaDB
import os

# Initialize the LambdaDB client
client = LambdaDB(
    server_url=os.environ["LAMBDADB_SERVER_URL"],
    project_api_key=os.environ["LAMBDADB_API_KEY"]
)

# Initialize embeddings
embeddings = OpenAIEmbeddings()

# Connect to an existing collection
vector_store = LambdaDBVectorStore(
    client=client,
    collection_name="my_collection",  # Must exist beforehand
    embedding=embeddings,
)

关键参数

client：LambdaDB 客户端实例（必需）
collection_name：LambdaDB 中现有集合的名称（必需）
embedding：要使用的嵌入函数（必需）
text_field：文档中文本字段的名称（默认：“text”）
vector_field：文档中向量字段的名称（默认：“vector”）
validate_collection：是否验证集合是否存在且处于活动状态（默认：True）
default_consistent_read：默认使用一致性读取以获得即时一致性，或使用最终一致性以获得更好的性能（默认：False）

管理向量存储

添加项目

from langchain_core.documents import Document

document_1 = Document(page_content="LambdaDB is a serverless vector database", metadata={"source": "docs"})
document_2 = Document(page_content="It supports fast similarity search", metadata={"source": "docs"})
document_3 = Document(page_content="Perfect for RAG applications", metadata={"category": "features"})

documents = [document_1, document_2, document_3]
ids = vector_store.add_documents(documents=documents, ids=["1", "2", "3"])
print(f"Added documents with IDs: {ids}")

文档最大大小为 50KB。集成会自动将文档批处理为最多 100 个一组，以符合 LambdaDB 的 6MB 请求限制。

删除项目

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

通过 ID 获取项目

documents = vector_store.get_by_ids(["1", "2"])
for doc in documents:
    print(f"* {doc.page_content} [{doc.metadata}]")

查询向量存储

一旦您的向量存储已创建并添加了相关文档，您很可能希望在运行链或智能体时对其进行查询。

相似性搜索

执行简单的相似性搜索：

results = vector_store.similarity_search(
    query="What is LambdaDB?",
    k=2
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

带分数的相似性搜索

如果您想执行相似性搜索并接收相应的分数：

results = vector_store.similarity_search_with_score(
    query="vector database features",
    k=2
)
for doc, score in results:
    print(f"* [SIM={score:.3f}] {doc.page_content} [{doc.metadata}]")

带过滤的相似性搜索

LambdaDB 支持使用查询字符串语法进行过滤：

results = vector_store.similarity_search(
    query="database",
    k=2,
    filter={"queryString": {"query": "source:docs"}}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

最大边际相关性 (MMR) 搜索

MMR 优化了与查询的相似性以及所选文档之间的多样性：

results = vector_store.max_marginal_relevance_search(
    query="LambdaDB features",
    k=2,
    fetch_k=10,  # Fetch 10 candidates
    lambda_mult=0.5,  # Balance between relevance (1.0) and diversity (0.0)
)
for doc in results:
    print(f"* {doc.page_content}")

转换为检索器

您也可以将向量存储转换为检索器，以便在链中更轻松地使用：

retriever = vector_store.as_retriever(
    search_type="mmr",
    search_kwargs={"k": 2, "fetch_k": 10}
)
retriever.invoke("What is LambdaDB?")

支持的搜索类型：

"similarity"：标准相似性搜索（默认）
"mmr"：最大边际相关性搜索
"similarity_score_threshold"：带分数阈值的相似性搜索

异步操作

LambdaDBVectorStore 支持所有操作的异步方法：

# Add documents
ids = await vector_store.aadd_documents(documents=documents)

# Delete documents
await vector_store.adelete(ids=["3"])

# Search
results = await vector_store.asimilarity_search(query="LambdaDB", k=2)
for doc in results:
    print(f"* {doc.page_content}")

# Search with score
results = await vector_store.asimilarity_search_with_score(query="database", k=2)
for doc, score in results:
    print(f"* [SIM={score:.3f}] {doc.page_content}")

目前，异步方法同步运行，因为 LambdaDB 客户端尚不支持异步操作。

一致性控制

LambdaDB 支持两种一致性模式：

最终一致性（默认）：性能更快，但写入后数据可能有最多约 1 分钟的延迟
一致性读取：即时一致性，对性能有轻微影响

# Use consistent reads for a specific operation
results = vector_store.similarity_search(
    query="LambdaDB",
    k=2,
    consistent_read=True
)

# Or set consistent reads as the default
vector_store = LambdaDBVectorStore(
    client=client,
    collection_name="my_collection",
    embedding=embeddings,
    default_consistent_read=True  # All reads will be consistent by default
)

从文本创建

您可以一步创建向量存储并用文本填充它：

from langchain_lambdadb.vectorstores import LambdaDBVectorStore

texts = [
    "LambdaDB is a serverless vector database",
    "It supports fast similarity search",
    "Perfect for RAG applications"
]

metadatas = [
    {"source": "docs"},
    {"source": "docs"},
    {"category": "features"}
]

vector_store = LambdaDBVectorStore.from_texts(
    texts=texts,
    embedding=embeddings,
    metadatas=metadatas,
    client=client,
    collection_name="my_collection",
    ids=["1", "2", "3"]
)

用于检索增强生成

以下是使用 LambdaDB 进行 RAG 的完整示例：

from langchain_lambdadb.vectorstores import LambdaDBVectorStore
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from lambdadb import LambdaDB
import os

# Initialize
client = LambdaDB(
    project_url=os.environ["LAMBDADB_PROJECT_URL"],
    project_api_key=os.environ["LAMBDADB_API_KEY"]
)

embeddings = OpenAIEmbeddings()
vector_store = LambdaDBVectorStore(
    client=client,
    collection_name="my_collection",
    embedding=embeddings
)

# Create retriever
retriever = vector_store.as_retriever(search_kwargs={"k": 3})

# Create RAG chain
template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = ChatOpenAI()

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

# Use the chain
response = chain.invoke("What is LambdaDB?")
print(response)

关键特性

文档大小限制

最大文档大小：每个文档 50KB
集成会验证文档大小，如果超出则引发错误

批处理

文档在更新操作中自动批处理为每组 100 个
符合 LambdaDB 的 6MB 请求限制

过滤

支持 LambdaDB 的查询字符串语法进行元数据过滤
示例：filter={"queryString": {"query": "field:value"}}

搜索选项

相似性搜索：查找与查询相似的文档
MMR 搜索：平衡相似性和多样性
分数阈值：按相似性分数过滤结果
一致性读取：控制读取一致性与性能的权衡

API 参考

有关所有 LambdaDBVectorStore 功能和配置的详细文档，请访问 API 参考。

附加资源

LambdaDB 文档

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

设置

凭证

安装

实例化

关键参数

管理向量存储

添加项目

删除项目

通过 ID 获取项目

查询向量存储

相似性搜索

带分数的相似性搜索

带过滤的相似性搜索

最大边际相关性 (MMR) 搜索

转换为检索器

异步操作

一致性控制

从文本创建

用于检索增强生成

关键特性

文档大小限制

批处理

过滤

搜索选项

API 参考

附加资源

​设置

​凭证

​安装

​实例化

​关键参数

​管理向量存储

​添加项目

​删除项目

​通过 ID 获取项目

​查询向量存储

​相似性搜索

​带分数的相似性搜索

​带过滤的相似性搜索

​最大边际相关性 (MMR) 搜索

​转换为检索器

​异步操作

​一致性控制

​从文本创建

​用于检索增强生成

​关键特性

​文档大小限制

​批处理

​过滤

​搜索选项

​API 参考

​附加资源

设置

凭证

安装

实例化

关键参数

管理向量存储

添加项目

删除项目

通过 ID 获取项目

查询向量存储

相似性搜索

带分数的相似性搜索

带过滤的相似性搜索

最大边际相关性 (MMR) 搜索

转换为检索器

异步操作

一致性控制

从文本创建

用于检索增强生成

关键特性

文档大小限制

批处理

过滤

搜索选项

API 参考

附加资源