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
可能遇到的错误
- 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。
- 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。
- 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!