跳到主要内容
Open In ColabOpen on GitHub

MariaDB

LangChain 的 MariaDB 集成 (langchain-mariadb) 提供了向量功能，用于处理 MariaDB 11.7.1 及更高版本，并根据 MIT 许可证分发。用户可以直接使用提供的实现，或根据特定需求进行定制。主要功能包括：

  • 内置向量相似性搜索
  • 支持余弦和欧几里得距离度量
  • 强大的元数据过滤选项
  • 通过连接池优化性能
  • 可配置的表和列设置

设置​

使用以下命令启动 MariaDB Docker 容器：

!docker run --name mariadb-container -e MARIADB_ROOT_PASSWORD=langchain -e MARIADB_DATABASE=langchain -p 3306:3306 -d mariadb:11.7

安装包​

此包使用 SQLAlchemy，但与 MariaDB 连接器配合使用效果最佳，后者需要 C/C++ 组件

# Debian, Ubuntu
!sudo apt install libmariadb3 libmariadb-dev

# CentOS, RHEL, Rocky Linux
!sudo yum install MariaDB-shared MariaDB-devel

# Install Python connector
!pip install -U mariadb

然后安装 langchain-mariadb 包

pip install -U langchain-mariadb

VectorStore 与 LLM 模型配合使用，这里以 langchain-openai 为例。

pip install langchain-openai
export OPENAI_API_KEY=...

初始化​

from langchain_core.documents import Document
from langchain_mariadb import MariaDBStore
from langchain_openai import OpenAIEmbeddings

# connection string
url = f"mariadb+mariadbconnector://myuser:mypassword@localhost/langchain"

# Initialize vector store
vectorstore = MariaDBStore(
    embeddings=OpenAIEmbeddings(),
    embedding_length=1536,
    datasource=url,
    collection_name="my_docs",
)
API 参考：Document | OpenAIEmbeddings

管理向量存储​

添加数据​

您可以将数据作为带有元数据的文档添加

docs = [
    Document(
        page_content="there are cats in the pond",
        metadata={"id": 1, "location": "pond", "topic": "animals"},
    ),
    Document(
        page_content="ducks are also found in the pond",
        metadata={"id": 2, "location": "pond", "topic": "animals"},
    ),
    # More documents...
]
vectorstore.add_documents(docs)

或作为带有可选元数据的纯文本添加

texts = [
    "a sculpture exhibit is also at the museum",
    "a new coffee shop opened on Main Street",
]
metadatas = [
    {"id": 6, "location": "museum", "topic": "art"},
    {"id": 7, "location": "Main Street", "topic": "food"},
]

vectorstore.add_texts(texts=texts, metadatas=metadatas)

查询向量存储​

# Basic similarity search
results = vectorstore.similarity_search("Hello", k=2)

# Search with metadata filtering
results = vectorstore.similarity_search("Hello", filter={"category": "greeting"})

过滤选项​

系统支持对元数据进行各种过滤操作：

  • 相等：$eq
  • 不相等：$ne
  • 比较：$lt, $lte, $gt, $gte
  • 列表操作：$in, $nin
  • 文本匹配：$like, $nlike
  • 逻辑操作：$and, $or, $not

示例

# Search with simple filter
results = vectorstore.similarity_search(
    "kitty", k=10, filter={"id": {"$in": [1, 5, 2, 9]}}
)

# Search with multiple conditions (AND)
results = vectorstore.similarity_search(
    "ducks",
    k=10,
    filter={"id": {"$in": [1, 5, 2, 9]}, "location": {"$in": ["pond", "market"]}},
)

检索增强生成的使用​

TODO：文档示例

API 参考​

有关更多详细信息，请参阅此处的仓库。