OpenGauss VectorStore 集成

使用 LangChain Python 与 OpenGauss VectorStore 集成。

本笔记本介绍如何开始使用 openGauss VectorStore。openGauss 是一个具有原生向量存储和检索能力的高性能关系型数据库。此集成使 LangChain 应用程序中的 ACID 合规向量操作成为可能，结合了传统 SQL 功能与现代 AI 驱动的相似性搜索。 向量存储。

设置

启动 openGauss 容器

docker run --name opengauss \
  -d \
  -e GS_PASSWORD='MyStrongPass@123' \
  -p 8888:5432 \
  opengauss/opengauss-server:latest

安装 langchain-opengauss

pip install langchain-opengauss

系统要求:

• openGauss ≥ 7.0.0
• Python ≥ 3.8
• psycopg2-binary

凭据

使用您的 openGauss 凭据

初始化

from langchain_opengauss import OpenGauss, OpenGaussSettings

# Configure with schema validation
config = OpenGaussSettings(
    table_name="test_langchain",
    embedding_dimension=384,
    index_type="HNSW",
    distance_strategy="COSINE",
)
vector_store = OpenGauss(embedding=embeddings, config=config)

管理向量存储

向向量存储添加项

from langchain_core.documents import Document

document_1 = Document(page_content="foo", metadata={"source": "https://example.com"})

document_2 = Document(page_content="bar", metadata={"source": "https://example.com"})

document_3 = Document(page_content="baz", metadata={"source": "https://example.com"})

documents = [document_1, document_2, document_3]

vector_store.add_documents(documents=documents, ids=["1", "2", "3"])

更新向量存储中的项

updated_document = Document(
    page_content="qux", metadata={"source": "https://another-example.com"}
)

# If the id is already exist, will update the document
vector_store.add_documents(document_id="1", document=updated_document)

从向量存储删除项

vector_store.delete(ids=["3"])

查询向量存储

一旦创建好向量存储并添加了相关文档，您很可能希望在运行链或代理期间对其进行查询。

直接查询

执行简单的相似性搜索可以如下进行：

• TODO: 编辑然后运行代码单元格以生成输出

results = vector_store.similarity_search(
    query="thud", k=1, filter={"source": "https://another-example.com"}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

如果您想执行相似性搜索并接收相应的分数，可以运行：

results = vector_store.similarity_search_with_score(
    query="thud", k=1, filter={"source": "https://example.com"}
)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")

转换为检索器进行查询

您也可以将向量存储转换为检索器，以便在链中更轻松地使用。

• TODO: 编辑然后运行代码单元格以生成输出

retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("thud")

用于检索增强生成的用法

有关如何使用此向量存储进行检索增强生成 (RAG) 的指南，请参阅以下部分：

• 教程
• 方法：使用 RAG 问答
• 检索概念文档

配置

连接设置

Parameter	Default	Description
host	localhost	数据库服务器地址
port	8888	数据库连接端口
user	gaussdb	数据库用户名
password	-	复杂密码字符串
database	postgres	默认数据库名称
min_connections	1	连接池最小大小
max_connections	5	连接池最大大小
table_name	langchain_docs	用于存储向量数据和元数据的表名
index_type	IndexType.HNSW	Vector 索引算法类型。选项：HNSW 或 IVFFLAT\n默认是 HNSW。
vector_type	VectorType.vector	Type 的向量表示类型。默认是 Vector。
distance_strategy	DistanceStrategy.COSINE	Vector 相似度指标。选项：euclidean (L2 距离), cosine (角距离，适用于文本嵌入), manhattan (稀疏数据的 L1 距离), negative_inner_product (归一化向量的点积).\n 默认是 cosine。
embedding_dimension	1536	向量嵌入的维度。

支持的组合

Vector Type	Dimensions	Index Types	Supported Distance Strategies
vector	≤2000	HNSW/IVFFLAT	COSINE/EUCLIDEAN/MANHATTAN/INNER_PROD

性能优化

索引调整指南

HNSW 参数:

• m: 16-100（召回率和内存之间的平衡）
• ef_construction: 64-1000（必须 > 2*m）

IVFFLAT 建议:

import math

lists = min(
    int(math.sqrt(total_rows)) if total_rows > 1e6 else int(total_rows / 1000),
    2000,  # openGauss maximum
)

连接池

OpenGaussSettings(min_connections=3, max_connections=20)

限制

• bit 和 sparsevec 向量类型目前正在开发中
• 最大向量维度：vector 类型为 2000

---

---

Edit this page on GitHub or file an issue.

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