Skip to main content
本笔记本介绍如何开始使用 openGauss VectorStore。openGauss 是一个高性能关系型数据库，具有原生向量存储和检索功能。此集成使 LangChain 应用程序能够进行符合 ACID 的向量操作，将传统 SQL 功能与现代 AI 驱动的相似性搜索相结合。 向量存储。

​
设置

​
启动 openGauss 容器

docker run --name opengauss \
  -d \
  -e GS_PASSWORD='MyStrongPass@123' \
  -p 8888:5432 \
  opengauss/opengauss-server:latest

​
安装 langchain-opengauss

pip install langchain-opengauss
系统要求:
  • openGauss ≥ 7.0.0
  • Python ≥ 3.8
  • psycopg2-binary

​
凭据

使用您的 openGauss 凭据

​
初始化

from langchain_opengauss import OpenGauss, OpenGaussSettings

# 使用模式验证进行配置
config = OpenGaussSettings(
    table_name="test_langchain",
    embedding_dimension=384,
    index_type="HNSW",
    distance_strategy="COSINE",
)
vector_store = OpenGauss(embedding=embeddings, config=config)

​
管理向量存储

​
向向量存储添加项目

from langchain_core.documents import Document

document_1 = Document(page_content="foo", metadata={"source": "https://example.com"})

document_2 = Document(page_content="bar", metadata={"source": "https://example.com"})

document_3 = Document(page_content="baz", metadata={"source": "https://example.com"})

documents = [document_1, document_2, document_3]

vector_store.add_documents(documents=documents, ids=["1", "2", "3"])

​
更新向量存储中的项目

updated_document = Document(
    page_content="qux", metadata={"source": "https://another-example.com"}
)

# 如果 id 已存在，将更新文档
vector_store.add_documents(document_id="1", document=updated_document)

​
从向量存储删除项目

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

​
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，您很可能希望在链或代理运行期间查询它。

​
直接查询

执行简单的相似性搜索可以如下完成：
  • TODO：编辑然后运行代码单元格以生成输出
results = vector_store.similarity_search(
    query="thud", k=1, filter={"source": "https://another-example.com"}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")
如果您想执行相似性搜索并接收相应的分数，可以运行： 
results = vector_store.similarity_search_with_score(
    query="thud", k=1, filter={"source": "https://example.com"}
)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")

​
通过转换为检索器进行查询

您还可以将向量存储转换为检索器，以便在链中更轻松地使用。
  • TODO：编辑然后运行代码单元格以生成输出
retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("thud")

​
用于检索增强生成的用法

有关如何将此向量存储用于检索增强生成 (RAG) 的指南，请参阅以下部分：

​
配置

​
连接设置

参数默认值描述
hostlocalhost数据库服务器地址
port8888数据库连接端口
usergaussdb数据库用户名
password-复杂密码字符串
databasepostgres默认数据库名称
min_connections1连接池最小大小
max_connections5连接池最大大小
table_namelangchain_docs存储向量数据和元数据的表名称
index_typeIndexType.HNSW向量索引算法类型。选项：HNSW 或 IVFFLAT\n默认为 HNSW。
vector_typeVectorType.vector要使用的向量表示类型。默认为 Vector。
distance_strategyDistanceStrategy.COSINE用于检索的向量相似性度量。选项：euclidean（L2 距离）、cosine（角度距离，适用于文本嵌入）、manhattan（L1 距离，适用于稀疏数据）、negative_inner_product（点积，适用于归一化向量）。\n 默认为 cosine。
embedding_dimension1536向量嵌入的维度。

​
支持的组合

向量类型维度索引类型支持的距离策略
vector≤2000HNSW/IVFFLATCOSINE/EUCLIDEAN/MANHATTAN/INNER_PROD

​
性能优化

​
索引调优指南

HNSW 参数:
  • m: 16-100（召回率和内存之间的平衡）
  • ef_construction: 64-1000（必须 > 2*m）
IVFFLAT 建议: 
import math

lists = min(
    int(math.sqrt(total_rows)) if total_rows > 1e6 else int(total_rows / 1000),
    2000,  # openGauss 最大值
)

​
连接池

OpenGaussSettings(min_connections=3, max_connections=20)

​
限制

  • bit 和 sparsevec 向量类型目前仍在开发中
  • 最大向量维度：vector 类型为 2000
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 以获取实时答案。