跳到主要内容

​
概览

向量存储存储嵌入数据并执行相似性搜索。

​
接口

LangChain 为向量存储提供了一个统一接口，允许您
  • addDocuments - 将文档添加到存储中。
  • delete - 按 ID 删除存储的文档。
  • similaritySearch - 查询语义相似的文档。
此抽象允许您在不更改应用程序逻辑的情况下切换不同的实现。

​
初始化

LangChain 中的大多数向量存储在初始化向量存储时都接受嵌入模型作为参数。 
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 函数将文档添加到向量存储中。 
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",
  },
});
使用 similaritySearch 发出语义查询，它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

​
相似性度量和索引

嵌入相似性可以使用以下方法计算：
  • 余弦相似性
  • 欧几里得距离
  • 点积
高效搜索通常采用 HNSW（分层可导航小世界）等索引方法，但具体细节取决于向量存储。

​
元数据过滤

按元数据（例如，来源、日期）过滤可以优化搜索结果 
vectorStore.similaritySearch("query", 2, { source: "tweets" });

​
热门集成

选择嵌入模型
安装依赖项
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"
});
安装依赖项
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"
});
安装依赖项
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"
});
安装依赖项
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"
});
安装依赖项
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"
});
安装依赖项
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"
});
安装依赖项
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"
});
安装依赖项
npm i @langchain/ollama
实例化模型
import { OllamaEmbeddings } from "@langchain/ollama";

const embeddings = new OllamaEmbeddings({
  model: "llama2",
  baseUrl: "https://:11434", // Default value
});
选择向量存储 
npm i langchain

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

const vectorStore = new MemoryVectorStore(embeddings);

npm i @langchain/community

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

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

npm i @langchain/community

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

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

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",
});

npm i @langchain/community

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

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

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,
});

npm i @langchain/qdrant

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

const vectorStore = await QdrantVectorStore.fromExistingCollection(embeddings, {
  url: process.env.QDRANT_URL,
  collectionName: "langchainjs-testing",
});
LangChain.js 集成了各种向量存储。您可以在下面查看完整列表

​
所有向量存储

AnalyticDB

Astra DB

Azion EdgeSQL

Azure AI Search

Azure Cosmos DB for MongoDB vCore

Azure Cosmos DB for NoSQL

Cassandra

Chroma

ClickHouse

CloseVector

Cloudflare Vectorize

Convex

Couchbase

Elasticsearch

Faiss

Google Cloud SQL for PostgreSQL

Google Vertex AI Matching Engine

SAP HANA Cloud Vector Engine

HNSWLib

LanceDB

libSQL

MariaDB

In-memory

Milvus

Momento Vector Index (MVI)

MongoDB Atlas

MyScale

Neo4j Vector Index

Neon Postgres

OpenSearch

PGVector

Pinecone

Prisma

Qdrant

Redis

Rockset

SingleStore

Supabase

Tigris

Turbopuffer

TypeORM

Typesense

Upstash Vector

USearch

Vectara

Vercel Postgres

Voy

Weaviate

Xata

Zep Open Source

Zep Cloud

在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.