跳到主要内容
Upstash 为开发者提供无服务器数据库和消息平台，以构建强大的应用程序，而无需担心大规模运行数据库的操作复杂性。 Upstash 的一个显著优势是，他们的数据库支持 HTTP，并且所有 SDK 都使用 HTTP。这意味着您可以在无服务器平台、边缘或任何不支持 TCP 连接的平台上运行它。 目前，LangChain 提供两种 Upstash 集成：Upstash Vector 作为向量嵌入数据库，Upstash Redis 作为缓存和内存存储。

​
Upstash Vector

Upstash Vector 是一个无服务器向量数据库，可用于存储和查询向量。

​
安装

在 Upstash 控制台创建一个新的无服务器向量数据库。根据您的模型选择首选的距离度量和维度计数。 使用 pip install upstash-vector 安装 Upstash Vector Python SDK。LangChain 中的 Upstash Vector 集成是 Upstash Vector Python SDK 的包装器。因此，需要 upstash-vector 包。

​
集成

使用 Upstash 控制台的凭据创建 UpstashVectorStore 对象。您还需要传入一个 Embeddings 对象，该对象可以将文本转换为向量嵌入。 
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
)
UpstashVectorStore 的另一种方法是传入 embedding=True。这要归功于 Upstash Vector 索引具有关联嵌入模型的能力，这是 UpstashVectorStore 的独特功能。在此配置中，我们要插入的文档或要搜索的查询都作为文本简单地发送到 Upstash Vector。在后台，Upstash Vector 嵌入这些文本并使用这些嵌入执行请求。要使用此功能，请通过选择模型创建 Upstash Vector 索引，然后简单地传入 embedding=True 
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=True
)
有关嵌入模型的更多详细信息，请参阅 Upstash Vector 文档。

​
命名空间

您可以使用命名空间来分区索引中的数据。当您想要查询大量数据并希望分区数据以加快查询速度时，命名空间很有用。当您使用命名空间时，结果将不会进行后过滤，这将使查询结果更加精确。 
from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
    namespace="my_namespace"
)

​
插入向量

from langchain.text_splitter import CharacterTextSplitter
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings

loader = TextLoader("../../modules/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# Create a new embeddings object
embeddings = OpenAIEmbeddings()

# Create a new UpstashVectorStore object
store = UpstashVectorStore(
    embedding=embeddings
)

# Insert the document embeddings into the store
store.add_documents(docs)
插入文档时，首先使用 Embeddings 对象将其嵌入。 大多数嵌入模型可以一次嵌入多个文档，因此文档被批量处理并并行嵌入。批次大小可以使用 embedding_chunk_size 参数控制。 然后将嵌入的向量存储在 Upstash Vector 数据库中。发送时，多个向量被批量处理在一起以减少 HTTP 请求的数量。批次大小可以使用 batch_size 参数控制。Upstash Vector 在免费层级中每个批次限制为 1000 个向量。
store.add_documents(
    documents,
    batch_size=100,
    embedding_chunk_size=200
)

​
查询向量

可以使用文本查询或另一个向量查询向量。 返回的值是 Document 对象的列表。
result = store.similarity_search(
    "The United States of America",
    k=5
)
或使用向量 
vector = embeddings.embed_query("Hello world")

result = store.similarity_search_by_vector(
    vector,
    k=5
)
搜索时，您还可以使用 filter 参数，该参数将允许您按元数据进行过滤 
result = store.similarity_search(
    "The United States of America",
    k=5,
    filter="type = 'country'"
)
有关元数据过滤的更多详细信息，请参阅 Upstash Vector 文档。

​
删除向量

向量可以通过其 ID 删除。 
store.delete(["id1", "id2"])

​
获取存储信息

您可以使用 info 函数获取有关数据库的信息，例如距离度量维度。 发生插入时，数据库会进行索引。在此期间，无法查询新向量。pendingVectorCount 表示当前正在索引的向量数量。
info = store.info()
print(info)

# Output:
# {'vectorCount': 44, 'pendingVectorCount': 0, 'indexSize': 2642412, 'dimension': 1536, 'similarityFunction': 'COSINE'}

​
Upstash Redis

此页面介绍如何将 Upstash Redis 与 LangChain 结合使用。

​
安装和设置

  • Upstash Redis Python SDK 可以使用 pip install upstash-redis 安装
  • 可在 Upstash 控制台创建全局分布式、低延迟和高可用性数据库

​
集成

所有 Upstash-LangChain 集成均基于 upstash-redis Python SDK，作为 LangChain 的包装器使用。此 SDK 通过从控制台提供 UPSTASH_REDIS_REST_URL 和 UPSTASH_REDIS_REST_TOKEN 参数来利用 Upstash Redis DB。

​
缓存

Upstash Redis 可用作 LLM 提示和响应的缓存。 要导入此缓存：
from langchain.cache import UpstashRedisCache
与您的 LLM 一起使用 
import langchain
from upstash_redis import Redis

URL = "<UPSTASH_REDIS_REST_URL>"
TOKEN = "<UPSTASH_REDIS_REST_TOKEN>"

langchain.llm_cache = UpstashRedisCache(redis_=Redis(url=URL, token=TOKEN))
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.