跳到主要内容
兼容性仅在 Node.js 上可用。
Google Vertex AI Matching Engine “提供了业界领先的高规模低延迟向量数据库。这些向量数据库通常被称为向量相似性匹配或近似最近邻 (ANN) 服务。”

​
设置

此模块期望已创建端点和已部署索引，因为创建时间接近一小时。要了解更多信息，请参阅 LangChain Python 文档 创建索引并将其部署到端点。
在运行此代码之前，您应确保已在 Google Cloud 控制台中为相关项目启用了 Vertex AI API，并且已使用以下方法之一对 Google Cloud 进行了身份验证
  • 您已登录到允许访问该项目的帐户（使用 gcloud auth application-default login）。
  • 您正在使用允许访问该项目的服务帐户的机器上运行。
  • 您已下载允许访问该项目的服务帐户的凭据，并将 GOOGLE_APPLICATION_CREDENTIALS 环境变量设置为此文件的路径。
使用以下命令安装身份验证库
npm
npm install @langchain/community @langchain/core google-auth-library
Matching Engine 不存储实际的文档内容，只存储嵌入。因此，您需要一个文档存储。以下示例使用 Google Cloud Storage，这需要以下内容
npm
npm install @google-cloud/storage

​
用法

​
初始化引擎

创建 MatchingEngine 对象时，您需要了解匹配引擎配置的一些信息。您可以从 Matching Engine 的 Cloud Console 获取此信息
  • 索引的 ID
  • 索引端点的 ID
您还需要一个文档存储。虽然 InMemoryDocstore 适合初步测试，但您会希望使用类似 GoogleCloudStorageDocstore 的东西来更永久地存储它。 
import { MatchingEngine } from "@langchain/community/vectorstores/googlevertexai";
import { Document } from "@langchain/classic/document";
import { SyntheticEmbeddings } from "@langchain/classic/embeddings/fake";
import { GoogleCloudStorageDocstore } from "@langchain/community/stores/doc/gcs";

const embeddings = new SyntheticEmbeddings({
  vectorSize: Number.parseInt(
    process.env.SYNTHETIC_EMBEDDINGS_VECTOR_SIZE ?? "768",
    10
  ),
});

const store = new GoogleCloudStorageDocstore({
  bucket: process.env.GOOGLE_CLOUD_STORAGE_BUCKET!,
});

const config = {
  index: process.env.GOOGLE_VERTEXAI_MATCHINGENGINE_INDEX!,
  indexEndpoint: process.env.GOOGLE_VERTEXAI_MATCHINGENGINE_INDEXENDPOINT!,
  apiVersion: "v1beta1",
  docstore: store,
};

const engine = new MatchingEngine(embeddings, config);

​
添加文档

const doc = new Document({ pageContent: "this" });
await engine.addDocuments([doc]);
文档中的任何元数据都将转换为 Matching Engine 的“允许列表”值，这些值可以在查询期间用于过滤。 
const documents = [
  new Document({
    pageContent: "this apple",
    metadata: {
      color: "red",
      category: "edible",
    },
  }),
  new Document({
    pageContent: "this blueberry",
    metadata: {
      color: "blue",
      category: "edible",
    },
  }),
  new Document({
    pageContent: "this firetruck",
    metadata: {
      color: "red",
      category: "machine",
    },
  }),
];

// Add all our documents
await engine.addDocuments(documents);
文档还假定有一个可用的“id”参数。如果未设置，则会分配一个 ID 并作为文档的一部分返回。

​
查询文档

使用任何标准方法都可以进行直接的 k-最近邻搜索，返回所有结果 
const results = await engine.similaritySearch("this");

​
使用过滤器/限制查询文档

我们可以根据为文档设置的元数据来限制返回的文档。因此，如果我们只想将结果限制为红色文档，我们可以这样做 
import { Restriction } from `@langchain/community/vectorstores/googlevertexai`;

const redFilter: Restriction[] = [
  {
    namespace: "color",
    allowList: ["red"],
  },
];
const redResults = await engine.similaritySearch("this", 4, redFilter);
如果我们想做更复杂的事情，比如红色的，但不可食用的东西 
const filter: Restriction[] = [
  {
    namespace: "color",
    allowList: ["red"],
  },
  {
    namespace: "category",
    denyList: ["edible"],
  },
];
const results = await engine.similaritySearch("this", 4, filter);

​
删除文档

使用 ID 删除文档。 
import { IdDocument } from `@langchain/community/vectorstores/googlevertexai`;

const oldResults: IdDocument[] = await engine.similaritySearch("this", 10);
const oldIds = oldResults.map( doc => doc.id! );
await engine.delete({ids: oldIds});
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.