Astra DB 向量存储

本页面提供将 Astra DB 用作向量存储的快速入门指南。

DataStax Astra DB 是一个基于 Apache Cassandra® 构建的无服务器、支持 AI 的数据库，通过易于使用的 JSON API 提供便捷的服务。

设置

依赖项

使用此集成需要 langchain-astradb 合作伙伴包

!pip install \
    "langchain>=0.3.23,<0.4" \
    "langchain-core>=0.3.52,<0.4" \
    "langchain-astradb>=0.6,<0.7"

凭证

为了使用 AstraDB 向量存储，您必须首先访问AstraDB 网站，创建一个账户，然后创建一个新数据库——初始化可能需要几分钟。

数据库初始化完成后，请检索您的连接密钥，您很快就会需要它们。它们是

一个 API 端点，例如 "https://01234567-89ab-cdef-0123-456789abcdef-us-east1.apps.astra.datastax.com/"
以及一个 数据库令牌，例如 "AstraCS:aBcD123......"

您可以选择提供一个 keyspace（在 LangChain 组件中称为“命名空间”），您可以通过数据库仪表板的 Data Explorer 选项卡进行管理。如果您愿意，可以在下面的提示中将其留空，以回退到默认 keyspace。

import getpass

ASTRA_DB_API_ENDPOINT = input("ASTRA_DB_API_ENDPOINT = ").strip()
ASTRA_DB_APPLICATION_TOKEN = getpass.getpass("ASTRA_DB_APPLICATION_TOKEN = ").strip()

desired_keyspace = input("(optional) ASTRA_DB_KEYSPACE = ").strip()
if desired_keyspace:
    ASTRA_DB_KEYSPACE = desired_keyspace
else:
    ASTRA_DB_KEYSPACE = None

ASTRA_DB_API_ENDPOINT =  https://01234567-89ab-cdef-0123-456789abcdef-us-east1.apps.astra.datastax.com
ASTRA_DB_APPLICATION_TOKEN =  ········
(optional) ASTRA_DB_KEYSPACE =

如果您想获得一流的模型调用自动化追踪，还可以通过取消注释下方代码来设置您的 LangSmith API 密钥

# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
# os.environ["LANGSMITH_TRACING"] = "true"

初始化

创建 Astra DB 向量存储有多种方式

方法 1：显式嵌入

您可以单独实例化一个 langchain_core.embeddings.Embeddings 类，并将其传递给 AstraDBVectorStore 构造函数，就像使用大多数其他 LangChain 向量存储一样。

方法 2：服务器端嵌入（'向量化'）

或者，您可以使用 Astra DB 的服务器端嵌入计算功能（'向量化'），在为存储创建服务器基础设施时，只需指定一个嵌入模型。此后，所有嵌入计算将在后续的读写操作中完全在数据库内部处理。（要使用此方法，您必须已为数据库启用了所需的嵌入集成，如文档中所述。）

方法 3：从现有集合自动检测

您的 Astra DB 中可能已经存在一个集合，该集合可能已通过其他方式（例如通过 Astra UI 或第三方应用程序）预先填充了数据，而您只是想在 LangChain 中开始查询它。在这种情况下，正确的方法是在向量存储构造函数中启用 autodetect_collection 模式，并让该类自动识别细节。（当然，如果您的集合没有启用 '向量化'，您仍然需要提供一个 Embeddings 对象。）

关于“混合搜索”的说明

Astra DB 向量存储支持向量搜索中的元数据搜索；此外，0.6 版本通过 findAndRerank 数据库原语引入了对混合搜索的全面支持：文档通过向量相似度搜索和基于关键词（“词汇”）搜索两种方式检索，然后通过重新排名模型进行合并。这种完全在服务器端处理的搜索策略可以提高您的结果准确性，从而改善您的 RAG 应用程序质量。只要可用，向量存储就会自动使用混合搜索（尽管如果您愿意，可以对其进行手动控制）。

附加信息

AstraDBVectorStore 可以通过多种方式进行配置；有关完整指南，例如异步初始化；非 Astra-DB 数据库；自定义索引允许/拒绝列表；手动混合搜索控制等等，请参阅API 参考。

显式嵌入初始化（方法 1）

使用显式嵌入类实例化我们的向量存储

选择嵌入模型

pip install -qU langchain-openai

import getpass
import os

if not os.environ.get("OPENAI_API_KEY"):
  os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

from langchain_astradb import AstraDBVectorStore

vector_store_explicit_embeddings = AstraDBVectorStore(
    collection_name="astra_vector_langchain",
    embedding=embeddings,
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
    namespace=ASTRA_DB_KEYSPACE,
)

API 参考：AstraDBVectorStore

服务器端嵌入初始化（“向量化”，方法 2）

在此示例代码中，假定您已满足以下条件：

在您的 Astra DB 组织中启用了 OpenAI 集成，
向集成添加了名为 "OPENAI_API_KEY" 的 API 密钥，并将其限定为您正在使用的数据库。

有关更多详细信息，包括切换提供商/模型的说明，请查阅文档。

from astrapy.info import VectorServiceOptions

openai_vectorize_options = VectorServiceOptions(
    provider="openai",
    model_name="text-embedding-3-small",
    authentication={
        "providerKey": "OPENAI_API_KEY",
    },
)

vector_store_integrated_embeddings = AstraDBVectorStore(
    collection_name="astra_vectorize_langchain",
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
    namespace=ASTRA_DB_KEYSPACE,
    collection_vector_service_options=openai_vectorize_options,
)

自动检测初始化（方法 3）

如果数据库中已存在集合，并且您的 AstraDBVectorStore 需要使用它（用于读写），您可以使用此模式。LangChain 组件将检查集合并识别细节。

如果集合是由 LangChain 之外的工具创建并（最重要的是）填充的，例如数据是通过 Astra DB Web 界面摄入的，则这是推荐的方法。

自动检测模式不能与集合设置（例如相似度指标等）共存；另一方面，如果未采用服务器端嵌入，仍然需要将 Embeddings 对象传递给构造函数。

在以下示例代码中，我们将“自动检测”与上述方法 2（“向量化”）创建的同一个集合。因此，无需提供 Embeddings 对象。

vector_store_autodetected = AstraDBVectorStore(
    collection_name="astra_vectorize_langchain",
    api_endpoint=ASTRA_DB_API_ENDPOINT,
    token=ASTRA_DB_APPLICATION_TOKEN,
    namespace=ASTRA_DB_KEYSPACE,
    autodetect_collection=True,
)

管理向量存储

创建向量存储后，通过添加和删除不同项目来与其交互。

所有与向量存储的交互都与初始化方法无关：如果您愿意，请调整以下单元格，以选择您已创建并希望测试的向量存储。

# If desired, uncomment a different line here:

# vector_store = vector_store_explicit_embeddings
vector_store = vector_store_integrated_embeddings
# vector_store = vector_store_autodetected

向向量存储添加项目

使用 add_documents 方法向向量存储添加文档。

“id”字段可以单独提供，作为 add_documents 方法的匹配 ids=[...] 参数，甚至可以完全省略，让存储自动生成 ID。

from langchain_core.documents import Document

documents_to_insert = [
    Document(
        page_content="ZYX, just another tool in the world, is actually my agent-based superhero",
        metadata={"source": "tweet"},
        id="entry_00",
    ),
    Document(
        page_content="I had chocolate chip pancakes and scrambled eggs "
        "for breakfast this morning.",
        metadata={"source": "tweet"},
        id="entry_01",
    ),
    Document(
        page_content="The weather forecast for tomorrow is cloudy and "
        "overcast, with a high of 62 degrees.",
        metadata={"source": "news"},
        id="entry_02",
    ),
    Document(
        page_content="Building an exciting new project with LangChain "
        "- come check it out!",
        metadata={"source": "tweet"},
        id="entry_03",
    ),
    Document(
        page_content="Robbers broke into the city bank and stole $1 million in cash.",
        metadata={"source": "news"},
        id="entry_04",
    ),
    Document(
        page_content="Thanks to her sophisticated language skills, the agent "
        "managed to extract strategic information all right.",
        metadata={"source": "tweet"},
        id="entry_05",
    ),
    Document(
        page_content="Is the new iPhone worth the price? Read this review to find out.",
        metadata={"source": "website"},
        id="entry_06",
    ),
    Document(
        page_content="The top 10 soccer players in the world right now.",
        metadata={"source": "website"},
        id="entry_07",
    ),
    Document(
        page_content="LangGraph is the best framework for building stateful, "
        "agentic applications!",
        metadata={"source": "tweet"},
        id="entry_08",
    ),
    Document(
        page_content="The stock market is down 500 points today due to "
        "fears of a recession.",
        metadata={"source": "news"},
        id="entry_09",
    ),
    Document(
        page_content="I have a bad feeling I am going to get deleted :(",
        metadata={"source": "tweet"},
        id="entry_10",
    ),
]


vector_store.add_documents(documents=documents_to_insert)

API 参考：Document

['entry_00',
 'entry_01',
 'entry_02',
 'entry_03',
 'entry_04',
 'entry_05',
 'entry_06',
 'entry_07',
 'entry_08',
 'entry_09',
 'entry_10']

从向量存储删除项目

使用 delete 函数按 ID 删除项目。

vector_store.delete(ids=["entry_10", "entry_02"])

True

查询向量存储

向量存储创建并填充后，您可以查询它（例如作为您的链或代理的一部分）。

直接查询

相似性搜索

搜索与所提供文本相似的文档，如果需要可带额外的元数据过滤器

results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=3,
    filter={"source": "tweet"},
)
for res in results:
    print(f'* "{res.page_content}", metadata={res.metadata}')

* "Building an exciting new project with LangChain - come check it out!", metadata={'source': 'tweet'}
* "LangGraph is the best framework for building stateful, agentic applications!", metadata={'source': 'tweet'}
* "Thanks to her sophisticated language skills, the agent managed to extract strategic information all right.", metadata={'source': 'tweet'}

带分数的相似性搜索

您也可以返回相似度分数

results = vector_store.similarity_search_with_score(
    "LangChain provides abstractions to make working with LLMs easy",
    k=3,
    filter={"source": "tweet"},
)
for res, score in results:
    print(f'* [SIM={score:.2f}] "{res.page_content}", metadata={res.metadata}')

* [SIM=0.71] "Building an exciting new project with LangChain - come check it out!", metadata={'source': 'tweet'}
* [SIM=0.70] "LangGraph is the best framework for building stateful, agentic applications!", metadata={'source': 'tweet'}
* [SIM=0.61] "Thanks to her sophisticated language skills, the agent managed to extract strategic information all right.", metadata={'source': 'tweet'}

指定不同的关键词查询（需要混合搜索）

注意：只有当集合支持 find-and-rerank 命令且向量存储知晓此情况时，才能运行此单元格。

如果向量存储正在使用支持混合搜索的集合并已检测到此事实，默认情况下它将在运行搜索时使用该功能。

在这种情况下，在 find-and-rerank 过程中，向量相似度检索步骤和基于词汇的检索步骤都使用相同的查询文本，除非您明确为后者提供不同的查询

results = vector_store_autodetected.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=3,
    filter={"source": "tweet"},
    lexical_query="agent",
)
for res in results:
    print(f'* "{res.page_content}", metadata={res.metadata}')

* "Building an exciting new project with LangChain - come check it out!", metadata={'source': 'tweet'}
* "LangGraph is the best framework for building stateful, agentic applications!", metadata={'source': 'tweet'}
* "ZYX, just another tool in the world, is actually my agent-based superhero", metadata={'source': 'tweet'}

上述示例硬编码了“自动检测”的向量存储，它肯定已经检查了集合并确定了混合搜索是否可用。另一种选择是显式地向构造函数提供混合搜索参数（有关更多详细信息/示例，请参阅 API 参考）。

其他搜索方法

本笔记中未涵盖多种其他搜索方法，例如 MMR 搜索和按向量搜索。

有关 AstraDBVectorStore 中可用搜索模式的完整列表，请查阅API 参考。

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，以便在您的链中更轻松地使用。

将向量存储转换为检索器，并使用简单的查询 + 元数据过滤器调用它

retriever = vector_store.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={"k": 1, "score_threshold": 0.5},
)
retriever.invoke("Stealing from the bank is a crime", filter={"source": "news"})

[Document(id='entry_04', metadata={'source': 'news'}, page_content='Robbers broke into the city bank and stole $1 million in cash.')]

检索增强生成的使用

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

欲了解更多，请在此处查看使用 Astra DB 的完整 RAG 模板。

清理向量存储

如果您想从 Astra DB 实例中完全删除集合，请运行此操作。

（您将丢失其中存储的数据。）

vector_store.delete_collection()

API 参考

有关 AstraDBVectorStore 所有功能和配置的详细文档，请查阅API 参考。

向量存储概念指南
向量存储操作指南

设置​

依赖项​

凭证​

初始化​

方法 1：显式嵌入​

方法 2：服务器端嵌入（'向量化'）​

方法 3：从现有集合自动检测​

关于“混合搜索”的说明​

附加信息​

显式嵌入初始化（方法 1）​

服务器端嵌入初始化（“向量化”，方法 2）​

自动检测初始化（方法 3）​

管理向量存储​

向向量存储添加项目​

从向量存储删除项目​

查询向量存储​

直接查询​

相似性搜索​

带分数的相似性搜索​

指定不同的关键词查询（需要混合搜索）​

其他搜索方法​

转换为检索器进行查询​

检索增强生成的使用​

清理向量存储​

API 参考​

相关​

设置

依赖项

凭证

初始化