Tigris

Tigris 是一个开源的 Serverless NoSQL 数据库和搜索平台，旨在简化构建高性能向量搜索应用程序。 Tigris 消除了管理、运营和同步多个工具的基础设施复杂性，让您可以专注于构建出色的应用程序。

本笔记本指导您如何使用 Tigris 作为您的向量存储

先决条件

1. 一个 OpenAI 帐户。您可以在此处注册帐户
2. 注册一个免费的 Tigris 帐户。注册 Tigris 帐户后，创建一个名为 vectordemo 的新项目。 接下来，记下您在其中创建项目的区域的 Uri、clientId 和 clientSecret。您可以从项目的应用程序密钥部分获取所有这些信息。

让我们首先安装我们的依赖项

%pip install --upgrade --quiet  tigrisdb openapi-schema-pydantic langchain-openai langchain-community tiktoken

我们将加载 OpenAI api 密钥和 Tigris 凭据到我们的环境中

import getpass
import os

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
if "TIGRIS_PROJECT" not in os.environ:
    os.environ["TIGRIS_PROJECT"] = getpass.getpass("Tigris Project Name:")
if "TIGRIS_CLIENT_ID" not in os.environ:
    os.environ["TIGRIS_CLIENT_ID"] = getpass.getpass("Tigris Client Id:")
if "TIGRIS_CLIENT_SECRET" not in os.environ:
    os.environ["TIGRIS_CLIENT_SECRET"] = getpass.getpass("Tigris Client Secret:")

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Tigris
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

API 参考：TextLoader | Tigris | OpenAIEmbeddings | CharacterTextSplitter

初始化 Tigris 向量存储

让我们导入我们的测试数据集

loader = TextLoader("../../../state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

embeddings = OpenAIEmbeddings()

vector_store = Tigris.from_documents(docs, embeddings, index_name="my_embeddings")

相似性搜索

query = "What did the president say about Ketanji Brown Jackson"
found_docs = vector_store.similarity_search(query)
print(found_docs)

带分数的相似性搜索（向量距离）

query = "What did the president say about Ketanji Brown Jackson"
result = vector_store.similarity_search_with_score(query)
for doc, score in result:
    print(f"document={doc}, score={score}")

相关

• 向量存储 概念指南
• 向量存储 使用指南