Skip to main content
MVI：最高效、最易用的无服务器向量索引。只需注册账户即可开始使用 MVI，无需处理基础设施、管理服务器或担心扩展问题。MVI 是一项自动扩展以满足您需求的服务。
要注册并访问 MVI，请访问 Momento 控制台。

​
设置

​
安装先决条件

您需要：
  • 用于与 MVI 交互的 momento 包，以及
  • 用于与 OpenAI API 交互的 openai 包。
  • 用于文本分词的 tiktoken 包。
pip install -qU  momento langchain-openai langchain-community tiktoken

​
输入 API 密钥

import getpass
import os

​
Momento：用于索引数据

访问 Momento 控制台 获取您的 API 密钥。 
if "MOMENTO_API_KEY" not in os.environ:
    os.environ["MOMENTO_API_KEY"] = getpass.getpass("Momento API Key:")

​
OpenAI：用于文本嵌入

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

​
加载数据

这里我们使用 LangChain 的示例数据集——国情咨文。 首先加载相关模块： 
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import MomentoVectorIndex
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter
然后加载数据： 
loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
len(documents)

1
注意数据是一个大文件，因此只有一个文档： 
len(documents[0].page_content)

38539
由于这是一个大型文本文件，我们将其分割为片段以便进行问答。这样，用户的问题将从最相关的片段中得到解答。 
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
len(docs)

42

​
为数据建立索引

建立索引就像实例化 MomentoVectorIndex 对象一样简单。这里我们使用 from_documents 辅助方法来同时实例化和索引数据： 
vector_db = MomentoVectorIndex.from_documents(
    docs, OpenAIEmbeddings(), index_name="sotu"
)
这将使用您的 API 密钥连接到 Momento Vector Index 服务并为数据建立索引。如果索引之前不存在，此过程将自动为您创建。数据现在可以被搜索了。

​
查询数据

​
直接对索引提问

查询数据最直接的方式是对索引进行搜索。我们可以使用 VectorStore API 如下实现： 
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_db.similarity_search(query)

docs[0].page_content

'Tonight. I call on the Senate to: Pass the Freedom to Vote Act. Pass the John Lewis Voting Rights Act. And while you're at it, pass the Disclose Act so Americans can know who is funding our elections. \n\nTonight, I'd like to honor someone who has dedicated his life to serve this country: Justice Stephen Breyer—an Army veteran, Constitutional scholar, and retiring Justice of the United States Supreme Court. Justice Breyer, thank you for your service. \n\nOne of the most serious constitutional responsibilities a President has is nominating someone to serve on the United States Supreme Court. \n\nAnd I did that 4 days ago, when I nominated Circuit Court of Appeals Judge Ketanji Brown Jackson. One of our nation's top legal minds, who will continue Justice Breyer's legacy of excellence.'
虽然这包含了关于 Ketanji Brown Jackson 的相关信息，但我们没有得到简洁、人类可读的答案。我们将在下一节中解决这个问题。

​
使用 LLM 生成流畅的答案

将数据索引到 MVI 后，我们可以将其与任何利用向量相似度搜索的链集成。这里我们使用 RetrievalQA 链来演示如何从索引数据中回答问题。 首先加载相关模块： 
from langchain_classic.chains import RetrievalQA
from langchain_openai import ChatOpenAI
然后实例化检索问答链： 
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
qa_chain = RetrievalQA.from_chain_type(llm, retriever=vector_db.as_retriever())

qa_chain({"query": "What did the president say about Ketanji Brown Jackson?"})

{'query': 'What did the president say about Ketanji Brown Jackson?',
 'result': "The President said that he nominated Circuit Court of Appeals Judge Ketanji Brown Jackson to serve on the United States Supreme Court. He described her as one of the nation's top legal minds and mentioned that she has received broad support from various groups, including the Fraternal Order of Police and former judges appointed by Democrats and Republicans."}

​
后续步骤

就是这样！您已成功为数据建立索引，并可以使用 Momento Vector Index 进行查询。您可以使用同一索引从任何支持向量相似度搜索的链中查询数据。 使用 Momento，您不仅可以索引向量数据，还可以缓存 API 调用并存储聊天消息历史。查看其他 Momento LangChain 集成以了解更多信息。 要了解更多关于 Momento Vector Index 的信息，请访问 Momento 文档。
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。