Skip to main content
LangChain 的 MariaDB 集成（langchain-mariadb）为 MariaDB 11.7.1 及以上版本提供向量功能，采用 MIT 许可证发布。用户可以直接使用所提供的实现，也可以根据特定需求进行自定义。 主要特性包括：
  • 内置向量相似度搜索
  • 支持余弦距离和欧式距离度量
  • 强大的元数据过滤选项
  • 通过连接池进行性能优化
  • 可配置的表和列设置

​
设置

使用以下命令启动 MariaDB Docker 容器： 
!docker run --name mariadb-container -e MARIADB_ROOT_PASSWORD=langchain -e MARIADB_DATABASE=langchain -p 3306:3306 -d mariadb:11.7

​
安装软件包

该软件包使用 SQLAlchemy，但与 MariaDB 连接器配合效果最佳，后者需要 C/C++ 组件： 
# Debian, Ubuntu
!sudo apt install libmariadb3 libmariadb-dev

# CentOS, RHEL, Rocky Linux
!sudo yum install MariaDB-shared MariaDB-devel

# Install Python connector
!pip install -U mariadb
然后安装 langchain-mariadb 软件包 
pip install -U langchain-mariadb
VectorStore 需要与 LLM 模型配合使用，这里以 langchain-openai 为例。 
pip install langchain-openai
export OPENAI_API_KEY=...

​
初始化

from langchain_core.documents import Document
from langchain_mariadb import MariaDBStore
from langchain_openai import OpenAIEmbeddings

# connection string
url = f"mariadb+mariadbconnector://myuser:mypassword@localhost/langchain"

# Initialize vector store
vectorstore = MariaDBStore(
    embeddings=OpenAIEmbeddings(),
    embedding_length=1536,
    datasource=url,
    collection_name="my_docs",
)

​
管理向量存储

​
添加数据

您可以以带元数据的文档形式添加数据： 
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"},
    ),
    # More documents...
]
vectorstore.add_documents(docs)
或以纯文本并附带可选元数据的形式添加： 
texts = [
    "a sculpture exhibit is also at the museum",
    "a new coffee shop opened on Main Street",
]
metadatas = [
    {"id": 6, "location": "museum", "topic": "art"},
    {"id": 7, "location": "Main Street", "topic": "food"},
]

vectorstore.add_texts(texts=texts, metadatas=metadatas)

​
查询向量存储

# Basic similarity search
results = vectorstore.similarity_search("Hello", k=2)

# Search with metadata filtering
results = vectorstore.similarity_search("Hello", filter={"category": "greeting"})

​
过滤选项

系统支持对元数据进行多种过滤操作：
  • 等于：$eq
  • 不等于：$ne
  • 比较：lt、lt、lte、gt、gt、gte
  • 列表操作：in、in、nin
  • 文本匹配：like、like、nlike
  • 逻辑操作：and、and、or、$not
示例： 
# Search with simple filter
results = vectorstore.similarity_search(
    "kitty", k=10, filter={"id": {"$in": [1, 5, 2, 9]}}
)

# Search with multiple conditions (AND)
results = vectorstore.similarity_search(
    "ducks",
    k=10,
    filter={"id": {"$in": [1, 5, 2, 9]}, "location": {"$in": ["pond", "market"]}},
)

​
API 参考

更多详情请参阅此仓库。
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 等工具，获取实时解答。