Skip to main content
LambdaDB 是一款用于构建可扩展 RAG 和智能体应用的无服务器 AI 数据库。
本 notebook 介绍如何在 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、获取项目凭据，并安装 langchain-lambdadb 集成包。

​
凭据

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追踪，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 集成位于 langchain-lambdadb 包中： 
pip install -U langchain-lambdadb
您还需要安装嵌入模型。例如，使用 OpenAI 嵌入： 
pip install -U langchain-openai

​
实例化

LambdaDBVectorStore 需与已有集合配合使用。您必须提前创建好集合，并正确配置向量和文本索引。
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（必填）
  • collection_name：LambdaDB 中已有集合的名称（必填）
  • embedding：要使用的嵌入函数（必填）
  • 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性能（默认：False）

​
管理向量存储

​
添加条目

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}")
文档最大为 50KB。集成会自动将文档分批处理，每批最多 100 个，以满足 LambdaDB 6MB 的请求限制。

​
删除条目

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

​
按 ID 获取条目

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

创建向量存储并添加相关文档后，您通常希望在运行链或智能体时对其进行查询。

​
相似度搜索

执行简单的相似度搜索： 
results = vector_store.similarity_search(
    query="What is LambdaDB?",
    k=2
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

​
带分数的相似度搜索

如果您希望在执行相似度搜索时获取对应的相关性分数： 
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}]")

​
带过滤的相似度搜索

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 在优化与查询相似性的同时，也兼顾所选文档的多样性： 
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

您还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_type="mmr",
    search_kwargs={"k": 2, "fetch_k": 10}
)
retriever.invoke("What is LambdaDB?")
支持的搜索类型：
  • "similarity"：标准相似度搜索（默认）
  • "mmr"：最大边际相关性搜索
  • "similarity_score_threshold"：带分数阈值的相似度搜索

​
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，由于 LambdaDB 客户端尚不支持异步操作，异步方法将以同步方式运行。

​
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约 1 分钟的延迟
  • 一致性读取：即时一致性，但对性能略有影响
# 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

您可以一步完成向量存储的创建并填充文本： 
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)

​
主要特性

​
文档大小限制

  • 每个文档最大：50KB
  • 集成会验证文档大小，超出限制时将报错

​
批量处理

  • 文档会自动以每批 100 个进行批量插入操作
  • 满足 LambdaDB 6MB 的请求限制

​
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

  • 相似度搜索：查找与查询相似的文档
  • MMR 搜索：兼顾相似性和多样性
  • 分数阈值：按相似度分数过滤结果
  • 一致性读取：控制读取一致性与性能之间的权衡

​
API 参考

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

​
其他资源

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。