Skip to main content
ZeusDB 是一个由 Rust 驱动的高性能向量数据库，提供产品量化、持久化存储和企业级日志记录等高级功能。
本文档展示了如何使用 ZeusDB 为您的 LangChain 应用程序带来企业级向量搜索能力。

​
设置

从 PyPI 安装 ZeusDB LangChain 集成包： 
pip install -qU langchain-zeusdb
在 Jupyter Notebook 中设置 
pip install -qU langchain-zeusdb

​
开始使用

此示例使用 OpenAIEmbeddings，这需要 OpenAI API 密钥：在此处获取您的 OpenAI API 密钥 如果您愿意，也可以将此包与任何其他嵌入提供商（Hugging Face、Cohere、自定义函数等）一起使用。 从 PyPI 安装 LangChain OpenAI 集成包： 
pip install -qU langchain-openai

# 如果在 Jupyter Notebook 内部，请使用此命令
#pip install -qU langchain-openai

​
请在下方选择您的 OpenAI 密钥集成选项

选项 1：🔑 每次输入您的 API 密钥 在 Jupyter 中使用 getpass 安全地输入当前会话的密钥： 
import os
import getpass

os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
选项 2：🗂️ 使用 .env 文件 将您的密钥保存在本地 .env 文件中，并使用 python-dotenv 自动加载 
from dotenv import load_dotenv

load_dotenv()  # 读取 .env 并设置 OPENAI_API_KEY
</Info>
🎉 干得好！您已准备就绪。

​
初始化

# 导入所需的包和类
from langchain_zeusdb import ZeusDBVectorStore
from langchain_openai import OpenAIEmbeddings
from zeusdb import VectorDatabase

# 初始化嵌入
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# 创建 ZeusDB 索引
vdb = VectorDatabase()
index = vdb.create(index_type="hnsw", dim=1536, space="cosine")

# 创建向量存储
vector_store = ZeusDBVectorStore(zeusdb_index=index, embedding=embeddings)

​
管理向量存储

​
2.1 向向量存储添加项目

from langchain_core.documents import Document

document_1 = Document(
    page_content="ZeusDB 是一个高性能向量数据库",
    metadata={"source": "https://docs.zeusdb.com"},
)

document_2 = Document(
    page_content="产品量化显著减少内存使用",
    metadata={"source": "https://docs.zeusdb.com"},
)

document_3 = Document(
    page_content="ZeusDB 与 LangChain 无缝集成",
    metadata={"source": "https://docs.zeusdb.com"},
)

documents = [document_1, document_2, document_3]

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

​
2.2 更新向量存储中的项目

updated_document = Document(
    page_content="ZeusDB 现在支持具有 4x-256x 压缩的高级产品量化",
    metadata={"source": "https://docs.zeusdb.com", "updated": True},
)

vector_store.add_documents([updated_document], ids=["1"])

​
2.3 从向量存储中删除项目

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

​
查询向量存储

​
3.1 直接查询

执行简单的相似性搜索： 
results = vector_store.similarity_search(query="高性能数据库", k=2)

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： 
results = vector_store.similarity_search_with_score(query="内存优化", k=2)

for doc, score in results:
    print(f"* [SIM={score:.3f}] {doc.page_content} [{doc.metadata}]")

​
3.2 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： 
retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 2})

retriever.invoke("向量数据库功能")

​
ZeusDB 特定功能

​
4.1 使用产品量化的内存高效设置

对于大型数据集，使用产品量化来减少内存使用： 
# 创建内存优化的向量存储
quantization_config = {"type": "pq", "subvectors": 8, "bits": 8, "training_size": 10000}

vdb_quantized = VectorDatabase()
quantized_index = vdb_quantized.create(
    index_type="hnsw", dim=1536, quantization_config=quantization_config
)

quantized_vector_store = ZeusDBVectorStore(
    zeusdb_index=quantized_index, embedding=embeddings
)

print(f"Created quantized store: {quantized_index.info()}")

​
4.2 持久化

将您的向量存储保存到磁盘并加载： 如何保存您的向量存储 
# 保存向量存储
vector_store.save_index("my_zeusdb_index.zdb")
如何加载您的向量存储 
# 加载向量存储
loaded_store = ZeusDBVectorStore.load_index(
    path="my_zeusdb_index.zdb", embedding=embeddings
)

print(f"Loaded store with {loaded_store.get_vector_count()} vectors")

​
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：

​
API 参考

有关所有 ZeusDBVectorStore 功能和配置的详细文档，请访问 ZeusDB 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 以获取实时答案。