百度向量数据库

百度向量数据库是百度智能云研发和运营的，开服即托管的企业级分布式向量数据库服务。它在存储、检索和分析多维向量数据方面表现出色。VectorDB 的核心是百度自研的“Mochow”向量数据库内核，这保证了其高性能、高可用性、高安全性，同时还兼具出色的可扩展性和易用性。

该数据库服务支持多种索引类型和相似度计算方法，以满足各种用例的需求。VectorDB 的一个突出特点是能够管理高达 100 亿的海量向量规模，同时保持令人印象深刻的查询性能，支持每秒数百万次查询（QPS），查询延迟达到毫秒级。

您需要安装 langchain-community 才能使用此集成，命令为 pip install -qU langchain-community。

本 notebook 展示了如何使用与百度向量数据库相关的各种功能。

要运行它，您应该拥有一个数据库实例。。

!pip3 install pymochow

from langchain_community.document_loaders import TextLoader
from langchain_community.embeddings.fake import FakeEmbeddings
from langchain_community.vectorstores import BaiduVectorDB
from langchain_community.vectorstores.baiduvectordb import ConnectionParams
from langchain_text_splitters import CharacterTextSplitter

API Reference:TextLoader | FakeEmbeddings | BaiduVectorDB | ConnectionParams | CharacterTextSplitter

loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
embeddings = FakeEmbeddings(size=128)

conn_params = ConnectionParams(
    endpoint="http://192.168.xx.xx:xxxx", account="root", api_key="****"
)

vector_db = BaiduVectorDB.from_documents(
    docs, embeddings, connection_params=conn_params, drop_old=True
)

query = "What did the president say about Ketanji Brown Jackson"
docs = vector_db.similarity_search(query)
docs[0].page_content

vector_db = BaiduVectorDB(embeddings, conn_params)
vector_db.add_texts(["Ankush went to Princeton"])
query = "Where did Ankush go to college?"
docs = vector_db.max_marginal_relevance_search(query)
docs[0].page_content

Vector store conceptual guide
Vector store how-to guides

Related​

Related