Upstash 为开发者提供了无服务器数据库和消息平台,以构建强大的应用程序,而无需担心大规模运行数据库的操作复杂性。
Upstash 的一个显著优势是其数据库支持 HTTP,并且所有的 SDK 都使用 HTTP。这意味着您可以在无服务器平台、边缘或任何不支持 TCP 连接的平台上运行它。
目前,LangChain 提供两个 Upstash 集成:Upstash Vector 作为向量嵌入数据库,以及 Upstash Redis 作为缓存和内存存储。
Upstash Vector
Upstash Vector 是一个无服务器向量数据库,可用于存储和查询向量。
安装
在 Upstash 控制台 创建一个新的无服务器向量数据库。根据您的模型选择首选的距离度量和维度计数。
使用 pip install upstash-vector
安装 Upstash Vector Python SDK。LangChain 中的 Upstash Vector 集成是 Upstash Vector Python SDK 的一个封装。因此,upstash-vector
包是必需的。
集成
使用 Upstash 控制台的凭据创建一个 UpstashVectorStore
对象。您还需要传入一个 Embeddings
对象,它可以将文本转换为向量嵌入。
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os
os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"
store = UpstashVectorStore(
embedding=embeddings
)
另一种使用 UpstashVectorStore
的方式是传入 embedding=True
。这是 UpstashVectorStore
的一个独特功能,得益于 Upstash Vector 索引能够关联嵌入模型。在此配置中,我们要插入的文档或要搜索的查询简单地作为文本发送到 Upstash Vector。在后台,Upstash Vector 会嵌入这些文本并使用这些嵌入执行请求。要使用此功能,请通过选择模型创建 Upstash Vector 索引,然后简单地传入 embedding=True
。
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os
os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"
store = UpstashVectorStore(
embedding=True
)
有关嵌入模型的更多详细信息,请参阅 Upstash Vector 文档。
命名空间
您可以使用命名空间来在索引中对数据进行分区。当您想在海量数据上进行查询,并且希望对数据进行分区以加快查询速度时,命名空间会很有用。使用命名空间时,结果将不会进行后过滤,这将使查询结果更精确。
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os
os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"
store = UpstashVectorStore(
embedding=embeddings
namespace="my_namespace"
)
插入向量
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings
loader = TextLoader("../../modules/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
# Create a new embeddings object
embeddings = OpenAIEmbeddings()
# Create a new UpstashVectorStore object
store = UpstashVectorStore(
embedding=embeddings
)
# Insert the document embeddings into the store
store.add_documents(docs)
插入文档时,首先使用 Embeddings
对象对其进行嵌入。
大多数嵌入模型可以一次嵌入多个文档,因此文档被批量处理并并行嵌入。批处理的大小可以通过 embedding_chunk_size
参数控制。
嵌入的向量然后存储在 Upstash Vector 数据库中。当它们被发送时,多个向量会批量处理以减少 HTTP 请求的数量。批处理的大小可以通过 batch_size
参数控制。Upstash Vector 的免费层级中,每个批次限制为 1000 个向量。
store.add_documents(
documents,
batch_size=100,
embedding_chunk_size=200
)
查询向量
向量可以使用文本查询或另一个向量进行查询。
返回的值是 Document 对象的列表。
result = store.similarity_search(
"The United States of America",
k=5
)
或者使用向量
vector = embeddings.embed_query("Hello world")
result = store.similarity_search_by_vector(
vector,
k=5
)
搜索时,您还可以使用 filter
参数,该参数允许您按元数据进行过滤。
result = store.similarity_search(
"The United States of America",
k=5,
filter="type = 'country'"
)
有关元数据过滤的更多详细信息,请参阅 Upstash Vector 文档。
删除向量
向量可以根据其 ID 删除。
store.delete(["id1", "id2"])
获取存储信息
您可以使用 info 函数获取有关数据库的信息,例如距离度量维度。
当发生插入时,数据库会进行索引。在此过程中,新的向量无法被查询。pendingVectorCount
表示当前正在索引的向量数量。
info = store.info()
print(info)
# Output:
# {'vectorCount': 44, 'pendingVectorCount': 0, 'indexSize': 2642412, 'dimension': 1536, 'similarityFunction': 'COSINE'}
Upstash Redis
本页介绍了如何将 Upstash Redis 与 LangChain 结合使用。
安装与设置
- Upstash Redis Python SDK 可以通过
pip install upstash-redis
安装 - 可以在 Upstash 控制台 创建一个全球分布式、低延迟且高可用的数据库
集成
所有 Upstash-LangChain 集成都基于 upstash-redis
Python SDK,作为 LangChain 的封装使用。此 SDK 通过从控制台提供 UPSTASH_REDIS_REST_URL 和 UPSTASH_REDIS_REST_TOKEN 参数来利用 Upstash Redis 数据库。
缓存
Upstash Redis 可以用作 LLM 提示和响应的缓存。
导入此缓存
from langchain.cache import UpstashRedisCache
与您的 LLM 一起使用
import langchain
from upstash_redis import Redis
URL = "<UPSTASH_REDIS_REST_URL>"
TOKEN = "<UPSTASH_REDIS_REST_TOKEN>"
langchain.llm_cache = UpstashRedisCache(redis_=Redis(url=URL, token=TOKEN))
内存
请参阅用法示例。
from langchain_community.chat_message_histories import (
UpstashRedisChatMessageHistory,
)