跳到主要内容
Open on GitHub

MyScale

本页介绍如何在 LangChain 中使用 MyScale 向量数据库。它分为两个部分：安装和设置，以及对特定 MyScale 封装器的引用。

借助 MyScale，您可以管理结构化和非结构化（向量化）数据，并使用 SQL 对两种类型的数据执行联合查询和分析。此外，MyScale 基于 ClickHouse 构建的云原生 OLAP 架构即使在海量数据集上也能实现闪电般的数据处理速度。

简介​

MyScale 和高性能向量搜索概述

您现在可以在我们的 SaaS 上注册并立即启动集群！

如果您也对我们如何集成 SQL 和向量感兴趣，请参阅本文档以获取更多语法参考。

我们还在 huggingface 上提供实时演示！请查看我们的 huggingface space！它们在眨眼间搜索数百万个向量！

安装和设置​

  • 使用 pip install clickhouse-connect 安装 Python SDK

设置环境​

有两种方法可以设置 myscale 索引的参数。

  1. 环境变量

    在运行应用程序之前，请使用 export 设置环境变量：export MYSCALE_HOST='<your-endpoints-url>' MYSCALE_PORT=<your-endpoints-port> MYSCALE_USERNAME=<your-username> MYSCALE_PASSWORD=<your-password> ...

    您可以轻松在我们的 SaaS 上找到您的帐户、密码和其他信息。有关详细信息，请参阅本文档 MyScaleSettings 下的每个属性都可以使用前缀 MYSCALE_ 设置，并且不区分大小写。

  2. 使用参数创建 MyScaleSettings 对象

    from langchain_community.vectorstores import MyScale, MyScaleSettings
    config = MyScaleSettings(host="<your-backend-url>", port=8443, ...)
    index = MyScale(embedding_function, config)
    index.add_documents(...)

封装器​

支持的功能

  • add_texts
  • add_documents
  • from_texts
  • from_documents
  • similarity_search
  • asimilarity_search
  • similarity_search_by_vector
  • asimilarity_search_by_vector
  • similarity_search_with_relevance_scores
  • delete

VectorStore​

存在一个围绕 MyScale 数据库的封装器，允许您将其用作向量存储，无论是用于语义搜索还是相似示例检索。

导入此向量存储

from langchain_community.vectorstores import MyScale
API 参考：MyScale

有关 MyScale 封装器的更详细演练，请参阅此 notebook

此页内容对您有帮助吗？