使用 Metal Vector Store 存储和检索向量数据

在现代 AI 应用中，向量存储和检索是关键的一环。本文将介绍如何使用 Metal Vector Store 进行向量数据的存储和检索，并提供详细的代码示例。

什么是 Metal Vector Store？

Metal Vector Store 是一个高效的向量存储库，能够存储和快速检索高维向量数据，适用于各种 AI 和机器学习应用，如推荐系统、图像搜索和自然语言处理等。

初始化 Metal Vector Store

首先，我们需要安装 llama-index-vector-stores-metal 包。

pip install llama-index-vector-stores-metal

然后，我们通过以下代码初始化 Metal Vector Store：

from llama_index.vector_stores.metal import MetalVectorStore

# 使用 Metal 服务生成的API密钥和客户端ID
api_key = "your_api_key_here"
client_id = "your_client_id_here"
index_id = "your_index_id_here"

# 初始化 Metal Vector Store
vector_store = MetalVectorStore(
    api_key=api_key,
    client_id=client_id,
    index_id=index_id,
)

向 Metal Vector Store 添加向量数据

我们可以通过 add 方法向 Metal Vector Store 添加向量数据。假设我们有一些带有嵌入的节点，代码如下：

from llama_index.nodes import BaseNode

# 示例数据
nodes = [
    BaseNode(id="node1", embedding=[0.1, 0.2, 0.3]),
    BaseNode(id="node2", embedding=[0.4, 0.5, 0.6]),
]

# 添加节点到向量存储中
node_ids = vector_store.add(nodes)
print(f"Added nodes with IDs: {node_ids}")

注意：请确保 nodes 是带有有效嵌入的节点列表。

从 Metal Vector Store 删除向量数据

我们还可以通过 delete 方法从 Metal Vector Store 中删除向量数据。假设我们要删除一个文档，代码如下：

# 删除节点
vector_store.delete(ref_doc_id="node1")
print("Node with ID 'node1' has been deleted.")

参考资料

• llama-index-vector-stores-metal GitHub

可能遇到的错误

1. API Key 无效或过期：确保使用有效的 API Key，并且如果长时间未使用需要重新生成。
2. 节点嵌入格式错误：请确保节点的嵌入是有效的高维向量，否则会导致添加失败。
3. 删除节点失败：请确保提供的 ref_doc_id 是存在的节点 ID。

如果你觉得这篇文章对你有帮助，请点赞，关注我的博客，谢谢!