**深入探索DashVector：高效的向量检索服务**

本文链接：https://blog.csdn.net/aehrutktrjk/article/details/142429524

引言

在当今高速发展的AI和数据驱动世界中，高效的向量检索服务至关重要。DashVector是一个由达摩院独立开发的高效向量引擎Proxima支持的全托管服务，能够自动扩展，适应不同应用需求。本文将介绍如何使用DashVector进行向量存储和检索，特别是通过SelfQueryRetriever实现高效查询。

主要内容

1. DashVector概述

DashVector通过简单易用的SDK/API接口，提供了强大的向量管理和检索功能，可快速集成到AI应用中。无论是多模式AI搜索，还是复杂的分子结构分析，DashVector都可以为你提供支持。

2. 安装和设置

在使用DashVector之前，你需要安装dashvector和lark包，并获得API密钥。

%pip install --upgrade --quiet lark dashvector

3. 创建DashVector向量存储

通过以下Python代码，可以创建一个DashVector向量存储，并初始化数据。

import os
import dashvector

client = dashvector.Client(api_key=os.environ["DASHVECTOR_API_KEY"])  # 使用API代理服务提高访问稳定性

from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.vectorstores import DashVector
from langchain_core.documents import Document

embeddings = DashScopeEmbeddings()

client.create("langchain-self-retriever-demo", dimension=1536)

docs = [
    Document(
        page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose",
        metadata={"year": 1993, "rating": 7.7, "genre": "action"},
    ),
    # 更多文档...
]

vectorstore = DashVector.from_documents(
    docs, embeddings, collection_name="langchain-self-retriever-demo"
)

代码示例

使用SelfQueryRetriever从向量存储中检索数据。

from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain_community.llms import Tongyi

metadata_field_info = [
    AttributeInfo(name="genre", description="The genre of the movie", type="string or list[string]"),
    AttributeInfo(name="year", description="The year the movie was released", type="integer"),
    # 更多元数据字段...
]

document_content_description = "Brief summary of a movie"
llm = Tongyi(temperature=0)
retriever = SelfQueryRetriever.from_llm(
    llm, vectorstore, document_content_description, metadata_field_info, verbose=True
)

# 示例查询
retriever.invoke("What are some movies about dinosaurs")