向量存储集成

使用 LangChain JavaScript 与向量存储集成。

概述

向量存储 存储 嵌入 数据并执行相似性搜索。

接口

LangChain 为向量存储提供了统一的接口，允许您：

• addDocuments - 向存储中添加文档。
• delete - 按 ID 删除存储的文档。
• similaritySearch - 查询语义相似的文档。

这种抽象使您可以在不同实现之间切换，而无需更改应用程序逻辑。

初始化

LangChain 中的大多数向量存储在初始化时接受一个嵌入模型作为参数。

import { OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});
const vectorStore = new MemoryVectorStore(embeddings);

添加文档

您可以使用 addDocuments 函数向向量存储添加文档。

import { Document } from "@langchain/core/documents";
const document = new Document({
  pageContent: "Hello world",
});
await vectorStore.addDocuments([document]);

删除文档

您可以使用 delete 函数从向量存储中删除文档。

await vectorStore.delete({
  filter: {
    pageContent: "Hello world",
  },
});

相似性搜索

使用 similaritySearch 发出语义查询，返回最接近的嵌入文档：

const results = await vectorStore.similaritySearch("Hello world", 10);

许多向量存储支持以下参数：

• k — 要返回的结果数量
• filter — 基于元数据的条件过滤

相似性度量与索引

嵌入相似性可以使用以下方法计算：

• 余弦相似度
• 欧几里得距离
• 点积

高效搜索通常使用索引方法，如 HNSW（分层可导航小世界），但具体细节取决于向量存储。

元数据过滤

通过元数据（例如来源、日期）进行过滤可以优化搜索结果：

vectorStore.similaritySearch("query", 2, { source: "tweets" });

主要集成

选择嵌入模型：

OpenAI

安装依赖项：

npm

npm i @langchain/openai

添加环境变量：

OPENAI_API_KEY=your-api-key

实例化模型：

import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-large"
});

Azure

安装依赖项

npm

npm i @langchain/openai

添加环境变量：

AZURE_OPENAI_API_INSTANCE_NAME=<YOUR_INSTANCE_NAME>
AZURE_OPENAI_API_KEY=<YOUR_KEY>
AZURE_OPENAI_API_VERSION="2024-02-01"

实例化模型：

import { AzureOpenAIEmbeddings } from "@langchain/openai";

const embeddings = new AzureOpenAIEmbeddings({
  azureOpenAIApiEmbeddingsDeploymentName: "text-embedding-ada-002"
});

AWS

安装依赖项：

npm

npm i @langchain/aws

添加环境变量：

BEDROCK_AWS_REGION=your-region

实例化模型：

import { BedrockEmbeddings } from "@langchain/aws";

const embeddings = new BedrockEmbeddings({
  model: "amazon.titan-embed-text-v1"
});

Google Gemini

安装依赖项：

npm

npm i @langchain/google-genai

添加环境变量：

GOOGLE_API_KEY=your-api-key

实例化模型：

import { GoogleGenerativeAIEmbeddings } from "@langchain/google-genai";

const embeddings = new GoogleGenerativeAIEmbeddings({
  model: "text-embedding-004"
});

Google Vertex

安装依赖项：

npm

npm i @langchain/google-vertexai

添加环境变量：

GOOGLE_APPLICATION_CREDENTIALS=credentials.json

实例化模型：

import { VertexAIEmbeddings } from "@langchain/google-vertexai";

const embeddings = new VertexAIEmbeddings({
  model: "gemini-embedding-001"
});

MistralAI

安装依赖项：

npm

npm i @langchain/mistralai

添加环境变量：

MISTRAL_API_KEY=your-api-key

实例化模型：

import { MistralAIEmbeddings } from "@langchain/mistralai";

const embeddings = new MistralAIEmbeddings({
  model: "mistral-embed"
});

Cohere

安装依赖项：

npm

npm i @langchain/cohere

添加环境变量：

COHERE_API_KEY=your-api-key

实例化模型：

import { CohereEmbeddings } from "@langchain/cohere";

const embeddings = new CohereEmbeddings({
  model: "embed-english-v3.0"
});

Ollama

安装依赖项：

npm

npm i @langchain/ollama

实例化模型：

import { OllamaEmbeddings } from "@langchain/ollama";

const embeddings = new OllamaEmbeddings({
  model: "llama2",
  baseUrl: "http://localhost:11434", // 默认值
});

选择向量存储：

Memory

npm i langchain

import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";

const vectorStore = new MemoryVectorStore(embeddings);

Chroma

npm

npm i @langchain/community

import { Chroma } from "@langchain/community/vectorstores/chroma";

const vectorStore = new Chroma(embeddings, {
  collectionName: "a-test-collection",
});

FAISS

npm

npm i @langchain/community

import { FaissStore } from "@langchain/community/vectorstores/faiss";

const vectorStore = new FaissStore(embeddings, {});

MongoDB

npm

npm i @langchain/mongodb

import { MongoDBAtlasVectorSearch } from "@langchain/mongodb"
import { MongoClient } from "mongodb";

const client = new MongoClient(process.env.MONGODB_ATLAS_URI || "");
const collection = client
  .db(process.env.MONGODB_ATLAS_DB_NAME)
  .collection(process.env.MONGODB_ATLAS_COLLECTION_NAME);

const vectorStore = new MongoDBAtlasVectorSearch(embeddings, {
  collection,
  indexName: "vector_index",
  textKey: "text",
  embeddingKey: "embedding",
});

PGVector

npm

npm i @langchain/community

import { PGVectorStore } from "@langchain/community/vectorstores/pgvector";

const vectorStore = await PGVectorStore.initialize(embeddings, {});

Pinecone

npm

npm i @langchain/pinecone

import { PineconeStore } from "@langchain/pinecone";
import { Pinecone as PineconeClient } from "@pinecone-database/pinecone";

const pinecone = new PineconeClient();
const vectorStore = new PineconeStore(embeddings, {
  pineconeIndex,
  maxConcurrency: 5,
});

Redis

npm

npm i @langchain/redis

import { RedisVectorStore } from "@langchain/redis";

const vectorStore = new RedisVectorStore(embeddings, {
  redisClient: client,
  indexName: "langchainjs-testing",
});

Qdrant

npm

npm i @langchain/qdrant

import { QdrantVectorStore } from "@langchain/qdrant";

const vectorStore = await QdrantVectorStore.fromExistingCollection(embeddings, {
  url: process.env.QDRANT_URL,
  collectionName: "langchainjs-testing",
});

Oracle AI Database

npm

npm i @oracle/langchain-oracledb @langchain/core

import oracledb from "oracledb";
import { OracleEmbeddings, OracleVS } from "@oracle/langchain-oracledb";

const connection = await oracledb.getConnection({
  user: process.env.ORACLE_USER,
  password: process.env.ORACLE_PASSWORD,
  connectionString: process.env.ORACLE_DSN,
});

const embeddings = new OracleEmbeddings(connection, {
  provider: "database",
  model: process.env.DEMO_ONNX_MODEL ?? "DEMO_MODEL",
});

const vectorStore = new OracleVS(embeddings, {
  client: connection,
  tableName: "DEMO_VECTORS",
  query: "Find support tickets mentioning service outages.",
  distanceStrategy: "DOT",
});
await vectorStore.initialize();

Weaviate

npm

npm i @langchain/weaviate

import { WeaviateStore } from "@langchain/weaviate";

const vectorStore = new WeaviateStore(embeddings, {
    client: weaviateClient,
    indexName: "Langchainjs_test",
});

LangChain.js 集成了多种向量存储。您可以在下方查看完整列表：

所有向量存储

AnalyticDB

查看指南

Astra DB

查看指南

Azion EdgeSQL

查看指南

Azure AI Search

查看指南

Azure DocumentDB

查看指南

Azure Cosmos DB for NoSQL

查看指南

Cassandra

查看指南

Chroma

查看指南

ClickHouse

查看指南

CloseVector

查看指南

Cloudflare Vectorize

查看指南

Convex

查看指南

Couchbase Query

查看指南

Couchbase Search

查看指南

Elasticsearch

查看指南

Faiss

查看指南

Google Cloud SQL for PostgreSQL

查看指南

Google Vertex AI Matching Engine

查看指南

SAP HANA Cloud Vector Engine

查看指南

HNSWLib

查看指南

LanceDB

查看指南

libSQL

查看指南

MariaDB

查看指南

In-memory

查看指南

Milvus

查看指南

Momento Vector Index (MVI)

查看指南

MongoDB Atlas

查看指南

MyScale

查看指南

Neo4j Vector Index

查看指南

Neon Postgres

查看指南

Oracle AI Database

查看指南

OpenSearch

查看指南

PGVector

查看指南

Pinecone

查看指南

Prisma

查看指南

Qdrant

查看指南

Redis

查看指南

Rockset

查看指南

SingleStore

查看指南

Supabase

查看指南

Tigris

查看指南

turbopuffer

查看指南

TypeORM

查看指南

Typesense

查看指南

Upstash Vector

查看指南

USearch

查看指南

Vectara

查看指南

Vercel Postgres

查看指南

Voy

查看指南

Weaviate

查看指南

Xata

查看指南

Zep Open Source

查看指南

Zep Cloud

查看指南

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.