探索Tigris：无服务器NoSQL数据库与搜索平台的应用指南

本文链接：https://blog.csdn.net/afTFODguAKBF/article/details/143422912

探索Tigris：无服务器NoSQL数据库与搜索平台的应用指南

在现代应用程序开发中，处理大规模数据和精准的向量搜索是一个常见的需求。Tigris作为一个开源的无服务器NoSQL数据库和搜索平台，旨在简化这一过程，让开发者专注于构建高性能的应用。本篇文章将指导你如何将Tigris用作VectorStore，以便在你的应用中集成向量搜索功能。

前言

Tigris的设计初衷是提供一个简化的、高性能的平台，帮助开发者消除管理和操作基础设施的复杂性。本文将带你一步步了解如何在项目中集成Tigris，并进行向量搜索操作。我们将包括实际的代码示例，以及在开发过程中可能遇到的挑战与解决方案。

主要内容

前提条件

注册一个OpenAI账户。
注册一个免费的Tigris账户，并创建一个名为vectordemo的新项目。记下项目所在区域的URI、clientId和clientSecret。这些信息可以从项目的Application Keys部分获取。

安装依赖

首先，我们需要安装相关的Python库：

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

加载环境变量

接下来，设置OpenAI API和Tigris的凭证到环境变量中：

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
os.environ["TIGRIS_PROJECT"] = getpass.getpass("Tigris Project Name:")
os.environ["TIGRIS_CLIENT_ID"] = getpass.getpass("Tigris Client Id:")
os.environ["TIGRIS_CLIENT_SECRET"] = getpass.getpass("Tigris Client Secret:")

初始化Tigris向量存储

接下来，我们将导入测试数据集并初始化向量存储。

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

# 导入数据
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)

# 创建嵌入
embeddings = OpenAIEmbeddings()

# 初始化Tigris向量存储
vector_store = Tigris.from_documents(docs, embeddings, index_name="my_embeddings")

执行相似性搜索

使用Tigris的相似性搜索功能：

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

还可以进行带有评分的相似性搜索：

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}")