跳到主要内容
Open In ColabOpen on GitHub

Milvus

Milvus 是一个数据库，用于存储、索引和管理由深度神经网络和其他机器学习 (ML) 模型生成的大量嵌入向量。

本笔记本展示了如何使用与 Milvus 向量数据库相关的功能。

设置​

您需要使用 pip install -qU langchain-milvus 安装 langchain-milvus 才能使用此集成。

pip install -qU langchain_milvus
Note: you may need to restart the kernel to use updated packages.

凭证​

使用 Milvus 向量存储无需凭证。

初始化​

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")

Milvus Lite​

原型设计的最简单方法是使用 Milvus Lite，其中所有内容都存储在本地向量数据库文件中。 只能使用 Flat 索引。

from langchain_milvus import Milvus

URI = "./milvus_example.db"

vector_store = Milvus(
    embedding_function=embeddings,
    connection_args={"uri": URI},
    index_params={"index_type": "FLAT", "metric_type": "L2"},
)
API 参考:Milvus

Milvus 服务器​

如果您有大量数据（例如，超过一百万个向量），我们建议在 Docker 或 Kubernetes 上设置性能更高的 Milvus 服务器。

Milvus 服务器提供对各种 索引 的支持。 利用这些不同的索引可以显着增强检索能力并加快检索过程，根据您的具体要求进行定制。

作为示例，请考虑 Milvus Standalone 的情况。 要启动 Docker 容器，您可以运行以下命令

!curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh

!bash standalone_embed.sh start
Password:

这里我们创建一个 Milvus 数据库

from pymilvus import Collection, MilvusException, connections, db, utility

conn = connections.connect(host="127.0.0.1", port=19530)

# Check if the database exists
db_name = "milvus_demo"
try:
    existing_databases = db.list_database()
    if db_name in existing_databases:
        print(f"Database '{db_name}' already exists.")

        # Use the database context
        db.using_database(db_name)

        # Drop all collections in the database
        collections = utility.list_collections()
        for collection_name in collections:
            collection = Collection(name=collection_name)
            collection.drop()
            print(f"Collection '{collection_name}' has been dropped.")

        db.drop_database(db_name)
        print(f"Database '{db_name}' has been deleted.")
    else:
        print(f"Database '{db_name}' does not exist.")
        database = db.create_database(db_name)
        print(f"Database '{db_name}' created successfully.")
except MilvusException as e:
    print(f"An error occurred: {e}")
Database 'milvus_demo' does not exist.
Database 'milvus_demo' created successfully.

请注意下面 URI 的更改。 实例初始化后，导航到 http://127.0.0.1:9091/webui 以查看本地 Web UI。

以下是如何使用 Milvus 数据库服务创建向量存储实例的示例

from langchain_milvus import BM25BuiltInFunction, Milvus

URI = "https://127.0.0.1:19530"

vectorstore = Milvus(
    embedding_function=embeddings,
    connection_args={"uri": URI, "token": "root:Milvus", "db_name": "milvus_demo"},
    index_params={"index_type": "FLAT", "metric_type": "L2"},
    consistency_level="Strong",
    drop_old=False,  # set to True if seeking to drop the collection with that name if it exists
)

如果您想使用 Zilliz Cloud，即 Milvus 的完全托管云服务，请调整 uri 和 token，它们分别对应于 Zilliz Cloud 中的 公共端点 和 API 密钥。

使用 Milvus 集合分隔数据​

您可以将不相关的文档存储在同一 Milvus 实例中的不同集合中。

以下是如何创建新集合的方法

from langchain_core.documents import Document

vector_store_saved = Milvus.from_documents(
    [Document(page_content="foo!")],
    embeddings,
    collection_name="langchain_example",
    connection_args={"uri": URI},
)
API 参考:Document

以下是如何检索已存储的集合的方法

vector_store_loaded = Milvus(
    embeddings,
    connection_args={"uri": URI},
    collection_name="langchain_example",
)

管理向量存储​

创建向量存储后，我们可以通过添加和删除不同的项目来与其交互。

向向量存储添加项目​

我们可以使用 add_documents 函数向向量存储添加项目。

from uuid import uuid4

from langchain_core.documents import Document

document_1 = Document(
    page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.",
    metadata={"source": "tweet"},
)

document_2 = Document(
    page_content="The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees.",
    metadata={"source": "news"},
)

document_3 = Document(
    page_content="Building an exciting new project with LangChain - come check it out!",
    metadata={"source": "tweet"},
)

document_4 = Document(
    page_content="Robbers broke into the city bank and stole $1 million in cash.",
    metadata={"source": "news"},
)

document_5 = Document(
    page_content="Wow! That was an amazing movie. I can't wait to see it again.",
    metadata={"source": "tweet"},
)

document_6 = Document(
    page_content="Is the new iPhone worth the price? Read this review to find out.",
    metadata={"source": "website"},
)

document_7 = Document(
    page_content="The top 10 soccer players in the world right now.",
    metadata={"source": "website"},
)

document_8 = Document(
    page_content="LangGraph is the best framework for building stateful, agentic applications!",
    metadata={"source": "tweet"},
)

document_9 = Document(
    page_content="The stock market is down 500 points today due to fears of a recession.",
    metadata={"source": "news"},
)

document_10 = Document(
    page_content="I have a bad feeling I am going to get deleted :(",
    metadata={"source": "tweet"},
)

documents = [
    document_1,
    document_2,
    document_3,
    document_4,
    document_5,
    document_6,
    document_7,
    document_8,
    document_9,
    document_10,
]
uuids = [str(uuid4()) for _ in range(len(documents))]

vector_store.add_documents(documents=documents, ids=uuids)
API 参考:Document

从向量存储删除项目​

vector_store.delete(ids=[uuids[-1]])
(insert count: 0, delete count: 1, upsert count: 0, timestamp: 0, success count: 0, err count: 0, cost: 0)

查询向量存储​

创建向量存储并添加相关文档后，您很可能希望在链或代理运行时查询它。

直接查询​

可以使用以下方法执行简单的相似性搜索，并根据元数据进行过滤

results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=2,
    expr='source == "tweet"',
)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")
* Building an exciting new project with LangChain - come check it out! [{'pk': '9905001c-a4a3-455e-ab94-72d0ed11b476', 'source': 'tweet'}]
* LangGraph is the best framework for building stateful, agentic applications! [{'pk': '1206d237-ee3a-484f-baf2-b5ac38eeb314', 'source': 'tweet'}]

带分数的相似性搜索​

您还可以使用分数进行搜索

results = vector_store.similarity_search_with_score(
    "Will it be hot tomorrow?", k=1, expr='source == "news"'
)
for res, score in results:
    print(f"* [SIM={score:3f}] {res.page_content} [{res.metadata}]")
* [SIM=21192.628906] bar [{'pk': '2', 'source': 'https://example.com'}]

有关使用 Milvus 向量存储时可用的所有搜索选项的完整列表，您可以访问 API 参考。

通过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。

retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("Stealing from the bank is a crime", filter={"source": "news"})
[Document(metadata={'pk': 'eacc7256-d7fa-4036-b1f7-83d7a4bee0c5', 'source': 'news'}, page_content='Robbers broke into the city bank and stole $1 million in cash.')]

最常见的混合搜索场景是密集 + 稀疏混合搜索，其中候选者使用语义向量相似度和精确关键字匹配进行检索。 来自这些方法的结果被合并、重新排序，并传递给 LLM 以生成最终答案。 这种方法平衡了精度和语义理解，使其对于各种查询场景非常有效。

全文搜索​

自 Milvus 2.5 以来，通过 Sparse-BM25 方法原生支持全文搜索，通过将 BM25 算法表示为稀疏向量。 Milvus 接受原始文本作为输入，并自动将其转换为存储在指定字段中的稀疏向量，从而无需手动生成稀疏嵌入。

对于全文搜索，Milvus VectorStore 接受 builtin_function 参数。 通过此参数，您可以传入 BM25BuiltInFunction 的实例。 这与语义搜索不同，语义搜索通常将密集嵌入传递给 VectorStore，

以下是 Milvus 中混合搜索的简单示例，其中 OpenAI 密集嵌入用于语义搜索，BM25 用于全文搜索

from langchain_milvus import BM25BuiltInFunction, Milvus
from langchain_openai import OpenAIEmbeddings

vectorstore = Milvus.from_documents(
    documents=documents,
    embedding=OpenAIEmbeddings(),
    builtin_function=BM25BuiltInFunction(),
    # `dense` is for OpenAI embeddings, `sparse` is the output field of BM25 function
    vector_field=["dense", "sparse"],
    connection_args={
        "uri": URI,
    },
    consistency_level="Strong",
    drop_old=True,
)
  • 当您使用 BM25BuiltInFunction 时，请注意全文搜索在 Milvus Standalone 和 Milvus Distributed 中可用，但在 Milvus Lite 中不可用，尽管它已在未来包含的路线图上。 它也将在 Zilliz Cloud（完全托管的 Milvus）中很快可用。 请联系 support@zilliz.com 以获取更多信息。

在上面的代码中，我们定义了 BM25BuiltInFunction 的实例并将其传递给 Milvus 对象。 BM25BuiltInFunction 是 Milvus 中 Function 的轻量级包装器类。 我们可以将其与 OpenAIEmbeddings 一起使用，以初始化密集 + 稀疏混合搜索 Milvus 向量存储实例。

BM25BuiltInFunction 不需要客户端传递语料库或训练，所有这些都在 Milvus 服务器端自动处理，因此用户无需关心任何词汇表和语料库。 此外，用户还可以自定义 分析器 以在 BM25 中实现自定义文本处理。

重新排序候选者​

在第一阶段检索之后，我们需要重新排序候选者以获得更好的结果。 您可以参考 重新排序 以获取更多信息。

以下是加权重新排序的示例

query = "What are the novels Lila has written and what are their contents?"

vectorstore.similarity_search(
    query, k=1, ranker_type="weighted", ranker_params={"weights": [0.6, 0.4]}
)

有关全文搜索和混合搜索的更多信息，请参阅 将全文搜索与 LangChain 和 Milvus 结合使用 和 使用 LangChain 和 Milvus 进行混合检索。

用于检索增强生成的用法​

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

按用户检索​

在构建检索应用程序时，您通常必须考虑到多个用户。 这意味着您可能不仅存储一个用户的数据，还存储许多不同用户的数据，并且他们不应能够看到彼此的数据。

Milvus 建议使用 partition_key 来实现多租户。 这是一个例子

分区键功能在 Milvus Lite 中不可用，如果您想使用它，您需要启动 Milvus 服务器，如上所述。

from langchain_core.documents import Document

docs = [
    Document(page_content="i worked at kensho", metadata={"namespace": "harrison"}),
    Document(page_content="i worked at facebook", metadata={"namespace": "ankush"}),
]
vectorstore = Milvus.from_documents(
    docs,
    embeddings,
    connection_args={"uri": URI},
    drop_old=True,
    partition_key_field="namespace",  # Use the "namespace" field as the partition key
)
API 参考:Document

要使用分区键进行搜索，您应在搜索请求的布尔表达式中包含以下任一项

search_kwargs={"expr": '<partition_key> == "xxxx"'}

search_kwargs={"expr": '<partition_key> == in ["xxx", "xxx"]'}

请将 <partition_key> 替换为指定为分区键的字段名称。

Milvus 根据指定的分区键更改为分区，根据分区键过滤实体，并在过滤后的实体中进行搜索。

# This will only get documents for Ankush
vectorstore.as_retriever(search_kwargs={"expr": 'namespace == "ankush"'}).invoke(
    "where did i work?"
)
[Document(page_content='i worked at facebook', metadata={'namespace': 'ankush'})]
# This will only get documents for Harrison
vectorstore.as_retriever(search_kwargs={"expr": 'namespace == "harrison"'}).invoke(
    "where did i work?"
)
[Document(page_content='i worked at kensho', metadata={'namespace': 'harrison'})]

API 参考​

有关所有 __ModuleName__VectorStore 功能和配置的详细文档，请访问 API 参考：https://python.langchain.ac.cn/api_reference/milvus/vectorstores/langchain_milvus.vectorstores.milvus.Milvus.html

此页是否对您有帮助？