Skip to main content
Xata 是一个基于 PostgreSQL 的无服务器数据平台。它提供了用于与数据库交互的 Python SDK 以及用于管理数据的 UI。 Xata 拥有原生向量类型，可添加到任何表中，并支持相似性搜索。LangChain 直接将向量插入 Xata，并查询给定向量的最近邻，因此您可以将所有 LangChain Embeddings 集成与 Xata 配合使用。
本 notebook 指导您如何将 Xata 用作 VectorStore。

​
配置

​
创建用作向量存储的数据库

在 Xata UI 中创建一个新数据库。您可以随意命名，在本 notebook 中我们使用 langchain。 创建一个表，同样可以随意命名，但我们将使用 vectors。通过 UI 添加以下列：
  • content，类型为”Text”。用于存储 Document.pageContent 的值。
  • embedding，类型为”Vector”。使用您计划使用的模型的维度。在本 notebook 中，我们使用 OpenAI embeddings，其维度为 1536。
  • source，类型为”Text”。本示例将其用作元数据列。
  • 您希望用作元数据的任何其他列。它们从 Document.metadata 对象填充。例如，如果在 Document.metadata 对象中有 title 属性，您可以在表中创建 title 列，它将被自动填充。
首先安装我们的依赖项： 
pip install -qU  xata langchain-openai langchain-community tiktoken langchain
将 OpenAI key 加载到环境中。如果您没有 OpenAI key，可以创建 OpenAI 账号并在此页面上创建一个 key。 
import getpass
import os

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
同样，我们需要获取 Xata 的环境变量。您可以通过访问您的账户设置创建新的 API key。要查找数据库 URL，请前往您创建的数据库的设置页面。数据库 URL 应类似于：https://demo-uni3q8.eu-west-1.xata.sh/db/langchain。 
api_key = getpass.getpass("Xata API key: ")
db_url = input("Xata database URL (copy it from your DB settings):")

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores.xata import XataVectorStore
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

​
创建 xata 向量存储

导入我们的测试数据集： 
loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

embeddings = OpenAIEmbeddings()
现在创建实际的向量存储，以 Xata 表为后端。 
vector_store = XataVectorStore.from_documents(
    docs, embeddings, api_key=api_key, db_url=db_url, table_name="vectors"
)
运行上述命令后，如果您进入 Xata UI，应该能看到文档及其嵌入向量已一同加载进来。 要使用已包含向量内容的现有 Xata 表，请初始化 XataVectorStore 构造函数： 
vector_store = XataVectorStore(
    api_key=api_key, db_url=db_url, embedding=embeddings, table_name="vectors"
)

​
相似性搜索

query = "What did the president say about Ketanji Brown Jackson"
found_docs = vector_store.similarity_search(query)
print(found_docs)

​
带分数（向量距离）的相似性搜索

query = "What did the president say about Ketanji Brown Jackson"
result = vector_store.similarity_search_with_score(query)
for doc, score in result:
    print(f"document={doc}, score={score}")
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。