PGVectorStore

兼容性：仅适用于 Node.js。

为了在通用 PostgreSQL 数据库中启用向量搜索，LangChain.js 支持使用 pgvector Postgres 扩展。本指南提供了 PGVector 向量存储的快速入门概述。有关所有 PGVectorStore 功能和配置的详细文档，请参阅 API 参考。

概览

集成详情

类别	包	PY 支持	版本
`PGVectorStore`	`@langchain/community`	✅

设置

要使用 PGVector 向量存储，您需要设置一个启用 pgvector 扩展的 Postgres 实例。您还需要安装 @langchain/community 集成包，并将 pg 包作为对等依赖项。本指南还将使用 OpenAI 嵌入，这需要您安装 @langchain/openai 集成包。如果您愿意，也可以使用其他支持的嵌入模型。我们还将使用 uuid 包来生成所需格式的 ID。

npm install @langchain/community @langchain/openai @langchain/core pg uuid

设置实例

根据您设置实例的方式，有多种方法可以连接到 Postgres。这里有一个本地设置的示例，使用了 pgvector 团队提供的预构建 Docker 镜像。创建一个名为 docker-compose.yml 的文件，内容如下：

# Run this command to start the database:
# docker compose up
services:
  db:
    hostname: 127.0.0.1
    image: pgvector/pgvector:pg16
    ports:
      - 5432:5432
    restart: always
    environment:
      - POSTGRES_DB=api
      - POSTGRES_USER=myuser
      - POSTGRES_PASSWORD=ChangeMe

然后在同一目录下，运行 docker compose up 来启动容器。您可以在官方仓库中找到更多关于如何设置 pgvector 的信息。

凭据

要连接到您的 Postgres 实例，您需要相应的凭据。有关所有支持选项的完整列表，请参阅 node-postgres 文档。如果您在本指南中使用 OpenAI 嵌入，您还需要设置您的 OpenAI 密钥：

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您想获取模型调用的自动化跟踪，您还可以通过取消注释下方来设置您的 LangSmith API 密钥

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="your-api-key"

实例化

要实例化向量存储，请调用 .initialize() 静态方法。此方法将自动检查在传入的 config 中给定 tableName 的表是否存在。如果不存在，它将使用所需的列创建该表。

安全：用户生成的数据（例如用户名）不应用于表和列名输入。这可能导致 SQL 注入！

import {
  PGVectorStore,
  DistanceStrategy,
} from "@langchain/community/vectorstores/pgvector";
import { OpenAIEmbeddings } from "@langchain/openai";
import { PoolConfig } from "pg";

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

// Sample config
const config = {
  postgresConnectionOptions: {
    type: "postgres",
    host: "127.0.0.1",
    port: 5433,
    user: "myuser",
    password: "ChangeMe",
    database: "api",
  } as PoolConfig,
  tableName: "testlangchainjs",
  columns: {
    idColumnName: "id",
    vectorColumnName: "vector",
    contentColumnName: "content",
    metadataColumnName: "metadata",
  },
  // supported distance strategies: cosine (default), innerProduct, or euclidean
  distanceStrategy: "cosine" as DistanceStrategy,
};

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

管理向量存储

向向量存储添加项目

import { v4 as uuidv4 } from "uuid";
import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "The powerhouse of the cell is the mitochondria",
  metadata: { source: "https://example.com" }
};

const document2: Document = {
  pageContent: "Buildings are made out of brick",
  metadata: { source: "https://example.com" }
};

const document3: Document = {
  pageContent: "Mitochondria are made out of lipids",
  metadata: { source: "https://example.com" }
};

const document4: Document = {
  pageContent: "The 2024 Olympics are in Paris",
  metadata: { source: "https://example.com" }
}

const documents = [document1, document2, document3, document4];

const ids = [uuidv4(), uuidv4(), uuidv4(), uuidv4()]

await vectorStore.addDocuments(documents, { ids: ids });

从向量存储中删除项目

const id4 = ids[ids.length - 1];

await vectorStore.delete({ ids: [id4] });

查询向量存储

一旦您的向量存储被创建并添加了相关文档，您很可能希望在链或代理运行期间查询它。

直接查询

执行简单的相似性搜索可以按如下方式完成

const filter = { source: "https://example.com" };

const similaritySearchResults = await vectorStore.similaritySearch("biology", 2, filter);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}

* The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* Mitochondria are made out of lipids [{"source":"https://example.com"}]

上述过滤语法支持精确匹配，但也支持以下内容：

使用 `in` 运算符

{
  "field": {
    "in": ["value1", "value2"],
  }
}

使用 `notIn` 运算符

{
  "field": {
    "notIn": ["value1", "value2"],
  }
}

使用 `arrayContains` 运算符

{
  "field": {
    "arrayContains": ["value1", "value2"],
  }
}

如果您想执行相似性搜索并接收相应的分数，可以运行

const similaritySearchWithScoreResults = await vectorStore.similaritySearchWithScore("biology", 2, filter)

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(`* [SIM=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(doc.metadata)}]`);
}

* [SIM=0.835] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.852] Mitochondria are made out of lipids [{"source":"https://example.com"}]

通过转换为检索器进行查询

您还可以将向量存储转换为检索器，以便在您的链中更轻松地使用。

const retriever = vectorStore.asRetriever({
  // Optional filter
  filter: filter,
  k: 2,
});
await retriever.invoke("biology");

[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Mitochondria are made out of lipids',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

用于检索增强生成的使用

有关如何将此向量存储用于检索增强生成 (RAG) 的指南，请参阅以下部分

高级：复用连接

您可以通过创建连接池，然后通过构造函数直接创建新的 PGVectorStore 实例来复用连接。请注意，在使用构造函数之前，您应该至少调用一次 .initialize() 来正确设置您的数据库表。

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

// First, follow set-up instructions at
// https://js.langchain.ac.cn/docs/modules/indexes/vector_stores/integrations/pgvector

const reusablePool = new pg.Pool({
  host: "127.0.0.1",
  port: 5433,
  user: "myuser",
  password: "ChangeMe",
  database: "api",
});

const originalConfig = {
  pool: reusablePool,
  tableName: "testlangchainjs",
  collectionName: "sample",
  collectionTableName: "collections",
  columns: {
    idColumnName: "id",
    vectorColumnName: "vector",
    contentColumnName: "content",
    metadataColumnName: "metadata",
  },
};

// Set up the DB.
// Can skip this step if you've already initialized the DB.
// await PGVectorStore.initialize(new OpenAIEmbeddings(), originalConfig);
const pgvectorStore = new PGVectorStore(new OpenAIEmbeddings(), originalConfig);

await pgvectorStore.addDocuments([
  { pageContent: "what's this", metadata: { a: 2 } },
  { pageContent: "Cat drinks milk", metadata: { a: 1 } },
]);

const results = await pgvectorStore.similaritySearch("water", 1);

console.log(results);

/*
  [ Document { pageContent: 'Cat drinks milk', metadata: { a: 1 } } ]
*/

const pgvectorStore2 = new PGVectorStore(new OpenAIEmbeddings(), {
  pool: reusablePool,
  tableName: "testlangchainjs",
  collectionTableName: "collections",
  collectionName: "some_other_collection",
  columns: {
    idColumnName: "id",
    vectorColumnName: "vector",
    contentColumnName: "content",
    metadataColumnName: "metadata",
  },
});

const results2 = await pgvectorStore2.similaritySearch("water", 1);

console.log(results2);

/*
  []
*/

await reusablePool.end();

创建 HNSW 索引

默认情况下，该扩展执行顺序扫描搜索，召回率为 100%。您可能需要考虑为近似最近邻 (ANN) 搜索创建 HNSW 索引，以加快 similaritySearchVectorWithScore 的执行时间。要在向量列上创建 HNSW 索引，请使用 createHnswIndex() 方法。该方法的参数包括：

dimensions：定义向量数据类型中的维度数量，最多 2000。例如，OpenAI 的 text-embedding-ada-002 和 Amazon 的 amazon.titan-embed-text-v1 模型使用 1536。
m?：每层连接的最大数量（默认为 16）。较小的值可缩短索引构建时间，而较大的值可加快搜索查询。
efConstruction?：用于构建图的动态候选列表的大小（默认为 64）。较高的值可能会以索引构建时间为代价提高索引质量。
distanceFunction?：您想要使用的距离函数名称，它根据 distanceStrategy 自动选择。

import { OpenAIEmbeddings } from "@langchain/openai";
import {
  DistanceStrategy,
  PGVectorStore,
} from "@langchain/community/vectorstores/pgvector";
import { PoolConfig } from "pg";

// First, follow set-up instructions at
// https://js.langchain.ac.cn/docs/modules/indexes/vector_stores/integrations/pgvector

const hnswConfig = {
  postgresConnectionOptions: {
    type: "postgres",
    host: "127.0.0.1",
    port: 5433,
    user: "myuser",
    password: "ChangeMe",
    database: "api",
  } as PoolConfig,
  tableName: "testlangchainjs",
  columns: {
    idColumnName: "id",
    vectorColumnName: "vector",
    contentColumnName: "content",
    metadataColumnName: "metadata",
  },
  // supported distance strategies: cosine (default), innerProduct, or euclidean
  distanceStrategy: "cosine" as DistanceStrategy,
};

const hnswPgVectorStore = await PGVectorStore.initialize(
  new OpenAIEmbeddings(),
  hnswConfig
);

// create the index
await hnswPgVectorStore.createHnswIndex({
  dimensions: 1536,
  efConstruction: 64,
  m: 16,
});

await hnswPgVectorStore.addDocuments([
  { pageContent: "what's this", metadata: { a: 2, b: ["tag1", "tag2"] } },
  { pageContent: "Cat drinks milk", metadata: { a: 1, b: ["tag2"] } },
]);

const model = new OpenAIEmbeddings();
const query = await model.embedQuery("water");
const hnswResults = await hnswPgVectorStore.similaritySearchVectorWithScore(query, 1);

console.log(hnswResults);

await pgvectorStore.end();

关闭连接

完成操作后，请务必关闭连接，以避免过多的资源消耗

await vectorStore.end();

API 参考

有关所有 PGVectorStore 功能和配置的详细文档，请参阅 API 参考。

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。

热门提供商

通用集成

RAG 集成

概览

集成详情

设置

设置实例

凭据

实例化

管理向量存储

向向量存储添加项目

从向量存储中删除项目

查询向量存储

直接查询

使用 `in` 运算符

使用 `notIn` 运算符

使用 `arrayContains` 运算符

通过转换为检索器进行查询

用于检索增强生成的使用

高级：复用连接

创建 HNSW 索引

关闭连接

API 参考

热门提供商

通用集成

RAG 集成

​概览

​集成详情

​设置

​设置实例

​凭据

​实例化

​管理向量存储

​向向量存储添加项目

​从向量存储中删除项目

​查询向量存储

​直接查询

​使用 in 运算符

​使用 notIn 运算符

​使用 arrayContains 运算符

​通过转换为检索器进行查询

​用于检索增强生成的使用

​高级：复用连接

​创建 HNSW 索引

​关闭连接

​API 参考

概览

集成详情

设置

设置实例

凭据

实例化

管理向量存储

向向量存储添加项目

从向量存储中删除项目

查询向量存储

直接查询

使用 `in` 运算符

使用 `notIn` 运算符

使用 `arrayContains` 运算符

通过转换为检索器进行查询

用于检索增强生成的使用

高级：复用连接

创建 HNSW 索引

关闭连接

API 参考