Meilisearch
Meilisearch 是一个开源、闪电般快速且高度相关的搜索引擎。它带有很棒的默认设置，可帮助开发人员构建快速的搜索体验。
您可以自托管 Meilisearch 或在Meilisearch Cloud 上运行。
Meilisearch v1.3 支持向量搜索。此页面指导您将 Meilisearch 集成作为向量存储并使用它执行向量搜索。
您需要使用 pip install -qU langchain-community 安装 langchain-community 才能使用此集成
设置
启动 Meilisearch 实例
您需要一个正在运行的 Meilisearch 实例用作您的向量存储。您可以在本地运行 Meilisearch 或创建一个Meilisearch Cloud 帐户。
从 Meilisearch v1.3 开始，向量存储是实验性功能。启动 Meilisearch 实例后，您需要启用向量存储。对于自托管的 Meilisearch，请阅读有关启用实验性功能 的文档。在Meilisearch Cloud 上，通过您的项目设置页面启用向量存储。
您现在应该拥有一个启用了向量存储的正在运行的 Meilisearch 实例。🎉
凭据
要与您的 Meilisearch 实例交互，Meilisearch SDK 需要一个主机（实例的 URL）和一个 API 密钥。
主机
- 在本地，默认主机为
localhost:7700 - 在Meilisearch Cloud 上，在您的项目设置页面中查找主机
API 密钥
Meilisearch 实例为您提供了三个开箱即用的 API 密钥
- 一个
MASTER KEY— 它仅应用于创建您的 Meilisearch 实例 - 一个
ADMIN KEY— 仅在服务器端使用以更新您的数据库及其设置 - 一个
SEARCH KEY— 一个您可以安全地在前端应用程序中共享的密钥
您可以根据需要创建其他 API 密钥。
安装依赖项
本指南使用Meilisearch Python SDK。您可以通过运行以下命令安装它：
%pip install --upgrade --quiet meilisearch
有关更多信息，请参阅Meilisearch Python SDK 文档。
示例
有多种方法可以初始化 Meilisearch 向量存储：提供 Meilisearch 客户端或根据需要提供URL 和API 密钥。在我们的示例中，凭据将从环境中加载。
您可以使用os 和getpass 使环境变量在您的 Notebook 环境中可用。您可以将此技术用于以下所有示例。
import getpass
import os
os.environ["MEILI_HTTP_ADDR"] = getpass.getpass("Meilisearch HTTP address and port:")
os.environ["MEILI_MASTER_KEY"] = getpass.getpass("Meilisearch API Key:")
我们希望使用 OpenAIEmbeddings，因此我们必须获取 OpenAI API 密钥。
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
添加文本和嵌入
此示例将文本添加到 Meilisearch 向量数据库，而无需初始化 Meilisearch 向量存储。
from langchain_community.vectorstores import Meilisearch
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter
embeddings = OpenAIEmbeddings()
embedders = {
"default": {
"source": "userProvided",
"dimensions": 1536,
}
}
embedder_name = "default"
with open("../../how_to/state_of_the_union.txt") as f:
state_of_the_union = f.read()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_text(state_of_the_union)
# Use Meilisearch vector store to store texts & associated embeddings as vector
vector_store = Meilisearch.from_texts(
texts=texts, embedding=embeddings, embedders=embedders, embedder_name=embedder_name
)
在幕后，Meilisearch 会将文本转换为多个向量。这将使我们获得与以下示例相同的结果。
添加文档和嵌入
在此示例中，我们将使用 Langchain TextSplitter 将文本拆分为多个文档。然后，我们将这些文档及其嵌入一起存储。
from langchain_community.document_loaders import TextLoader
# Load text
loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
# Create documents
docs = text_splitter.split_documents(documents)
# Import documents & embeddings in the vector store
vector_store = Meilisearch.from_documents(
documents=documents,
embedding=embeddings,
embedders=embedders,
embedder_name=embedder_name,
)
# Search in our vector store
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query, embedder_name=embedder_name)
print(docs[0].page_content)
通过创建 Meilisearch 向量存储添加文档
在这种方法中，我们创建了一个向量存储对象并将文档添加到其中。
import meilisearch
from langchain_community.vectorstores import Meilisearch
client = meilisearch.Client(url="http://127.0.0.1:7700", api_key="***")
vector_store = Meilisearch(
embedding=embeddings,
embedders=embedders,
client=client,
index_name="langchain_demo",
text_key="text",
)
vector_store.add_documents(documents)
带分数的相似性搜索
此特定方法允许您返回文档以及查询到它们的距离分数。embedder_name 是应用于语义搜索的嵌入器的名称，默认为“default”。
docs_and_scores = vector_store.similarity_search_with_score(
query, embedder_name=embedder_name
)
docs_and_scores[0]
按向量进行相似性搜索
embedder_name 是应用于语义搜索的嵌入器的名称，默认为“default”。
embedding_vector = embeddings.embed_query(query)
docs_and_scores = vector_store.similarity_search_by_vector(
embedding_vector, embedder_name=embedder_name
)
docs_and_scores[0]
其他资源
文档
开源存储库