vearch 使用步骤

当然，这里是一个简单的 Vearch 使用实例，演示如何创建一个向量数据库，插入向量数据，并进行搜索。

环境准备

首先，确保你已经安装了 Docker，因为 Vearch 的官方镜像可以通过 Docker 快速部署。

步骤 1：启动 Vearch

使用 Docker 启动 Vearch：

docker run -d --name vearch -p 8817:8817 -p 9001:9001 vearch/vearch

步骤 2：创建数据库和表

使用 curl 命令来创建数据库和表。首先，创建一个名为 example_db 的数据库：

curl -X PUT "http://localhost:8817/db/_create/example_db"

然后，创建一个名为 example_table 的表，并定义其 schema。假设我们要存储图像向量，每个向量有 128 维：

curl -X PUT "http://localhost:8817/space/_create/example_db/example_table" -H "Content-Type: application/json" -d '
{
  "name": "example_table",
  "partition_num": 1,
  "replica_num": 1,
  "engine": {
    "name": "gamma",
    "index_size": 100000
  },
  "properties": {
    "feature": {
      "type": "vector",
      "dimension": 128,
      "format": "normalization"
    }
  }
}'

步骤 3：插入向量数据

假设我们有一些 128 维的向量数据要插入表中：

curl -X POST "http://localhost:9001/example_db/example_table" -H "Content-Type: application/json" -d '
{
  "feature": [0.1, 0.2, 0.3, ..., 0.128]
}'

注意：请将 [0.1, 0.2, 0.3, ..., 0.128] 替换为实际的 128 维向量数据。

步骤 4：搜索向量

现在我们可以进行向量搜索。假设我们要搜索一个 128 维的查询向量：

curl -X POST "http://localhost:9001/example_db/example_table/_search" -H "Content-Type: application/json" -d '
{
  "query": {
    "sum": [
      {
        "feature": {
          "feature": [0.1, 0.2, 0.3, ..., 0.128],
          "min_score": 0.0,
          "boost": 1
        }
      }
    ]
  },
  "size": 10
}'

这将返回与查询向量最相似的前 10 个向量。

总结

以上是一个简单的 Vearch 使用实例，演示了如何创建数据库和表，插入向量数据，并进行搜索。Vearch 提供了强大的向量搜索功能，适合处理高维数据和大规模数据集。你可以根据实际需求调整向量维度和数据格式，进一步探索 Vearch 的更多功能。