Skip to main content
Zvec 是一个开源的进程内向量数据库——轻量级、极速，专为直接嵌入应用程序而设计。基于 Proxima（阿里巴巴久经考验的向量搜索引擎）构建，以最少的配置提供生产级、低延迟、可扩展的相似性搜索。
本 notebook 演示如何在 LangChain 中使用 ‘Zvec’ 向量数据库。

​
安装

pip install -qU  langchain-community zvec dashscope
我们希望使用 DashScopeEmbeddings，因此还需要获取 Dashscope API Key。 
import getpass
import os

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

​
示例

from langchain_community.embeddings.dashscope import DashScopeEmbeddings
from langchain_community.vectorstores import Zvec
from langchain_text_splitters import CharacterTextSplitter

from langchain_community.document_loaders import TextLoader

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 = DashScopeEmbeddings()
我们可以从文档创建 Zvec。 
zvec = Zvec.from_documents(docs, embeddings)

query = "What did the president say about Ketanji Brown Jackson"
docs = zvec.similarity_search(query)
print(docs)
我们可以添加带有元数据和 ID 的文本，并使用元数据过滤器进行搜索。 
texts = ["foo", "bar", "baz"]
metadatas = [{"source": "test_data"} for _ in texts]
ids = ["0", "1", "2"]

zvec.add_texts(texts, metadatas=metadatas, ids=ids)

docs = zvec.similarity_search("foo")
print(docs)

[Document(metadata={'source': 'test_data'}, page_content='foo')]
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。