使用 Jaguar Vector Store 实现高效的向量检索-CSDN博客

本文链接：https://blog.csdn.net/qq_29929123/article/details/140884504

在现代的机器学习和信息检索中，向量存储系统发挥着越来越重要的作用。Jaguar Vector Store 是一个高效的向量数据库，它可以帮助我们存储和检索高维数据。本文将介绍如何使用 Jaguar Vector Store 进行向量存储和检索，并提供一个简单的示例代码。

Jaguar Vector Store 简介

Jaguar Vector Store 是一个专门用于处理和查询向量数据的数据库。它支持多种向量检索方法，包括相似度搜索、文档加载等功能。以下是 Jaguar Vector Store 的一些主要功能：

添加节点: 将带有嵌入向量的节点添加到索引中。
删除节点: 根据文档 ID 删除节点。
查询索引: 根据查询向量检索最相似的节点。
文档加载: 加载与给定嵌入最相似的文档。
相似度搜索: 返回与查询向量最相似的节点及其分数。

使用示例

以下是一个使用 Jaguar Vector Store 的基本示例。请确保你已经安装了相关的 Python 库，例如 llama-index-vector-stores-jaguar。你可以通过 pip install llama-index-vector-stores-jaguar 来安装。

from llama_index.vector_stores.jaguar import JaguarVectorStore

# 创建一个 Jaguar Vector Store 实例
vectorstore = JaguarVectorStore(
    pod='vdb',
    store='mystore',
    vector_index='v',
    vector_type='cosine_fraction_float',
    vector_dimension=1536,
    url='http://192.168.8.88:8080/fwww/',  # 中转API
)

# 添加一个文本到向量存储
text = "这是一个示例文本。"
embedding = [0.1, 0.2, 0.3, ...]  # 示例嵌入向量
metadata = {
    'file_path': '../data/example.txt',
    'file_name': 'example.txt',
    'file_type': 'text/plain',
    'file_size': 1234,
    'creation_date': '2024-08-03',
}
doc_id = vectorstore.add_text(text, embedding, metadata)
print(f"文档 ID: {doc_id}")

# 查询最相似的节点
query_embedding = [0.1, 0.2, 0.3, ...]  # 示例查询嵌入向量
results = vectorstore.similarity_search_with_score(query_embedding, k=3)
for node, doc_id, score in zip(*results):
    print(f"节点 ID: {doc_id}, 相似度分数: {score}")