Skip to main content
Open on GitHub

MyScale

本页面介绍了如何在 LangChain 中使用 MyScale 向量数据库。 本页面分为两部分：安装与设置，以及特定 MyScale 包装器的参考。

使用 MyScale，您可以管理结构化和非结构化（矢量化）数据，并使用 SQL 对这两种类型的数据执行联合查询和分析。此外，基于 ClickHouse 构建的原生云 OLAP 架构 MyScale，即使在海量数据集上也能实现闪电般的数据处理速度。

简介​

MyScale 概览和高性能向量搜索

您可以在我们的SaaS上注册并立即启动集群！

如果您也对我们如何整合 SQL 和向量感兴趣，请参考本文档以获取更详细的语法参考。

我们还在 HuggingFace 上提供现场演示！请查看我们的HuggingFace Space！它们能在瞬间搜索数百万个向量！

安装与设置​

  • 使用 pip install clickhouse-connect 安装 Python SDK

设置环境​

有两种方法可以设置 MyScale 索引的参数。

  1. 环境变量

    在运行应用程序之前，请使用 export 设置环境变量： export MYSCALE_HOST='<your-endpoints-url>' MYSCALE_PORT=<your-endpoints-port> MYSCALE_USERNAME=<your-username> MYSCALE_PASSWORD=<your-password> ...

    您可以在我们的 SaaS 上轻松找到您的账户、密码和其他信息。详情请参考本文档 MyScaleSettings 下的所有属性都可以使用 MYSCALE_ 前缀设置，并且不区分大小写。

  2. 使用参数创建 MyScaleSettings 对象

    from langchain_community.vectorstores import MyScale, MyScaleSettings
    config = MyScaleSettings(host="<your-backend-url>", port=8443, ...)
    index = MyScale(embedding_function, config)
    index.add_documents(...)

包装器​

支持的功能：

  • add_texts
  • add_documents
  • from_texts
  • from_documents
  • similarity_search
  • asimilarity_search
  • similarity_search_by_vector
  • asimilarity_search_by_vector
  • similarity_search_with_relevance_scores
  • delete

VectorStore​

MyScale 数据库有一个包装器，允许您将其用作向量存储， 无论是用于语义搜索还是相似示例检索。

导入此向量存储：

from langchain_community.vectorstores import MyScale
API Reference:MyScale

有关 MyScale 包装器的更详细演练，请参阅此笔记本