跳到主要内容
DingoDB 是一个分布式多模向量数据库，它结合了数据湖和向量数据库的特性，可以存储任何类型和大小的数据（Key-Value、PDF、音频、视频等）。它具有实时低延迟处理能力，以实现快速洞察和响应，并能高效地进行即时分析和处理多模态数据。
您需要安装 langchain-community，运行 pip install -qU langchain-community 才能使用此集成。 本笔记本演示了如何使用与 DingoDB 向量数据库相关的功能。 要运行，您应该有一个正在运行的 DingoDB 实例。
pip install -qU  dingodb
# or install latest:
pip install -qU  git+https://git@github.com/dingodb/pydingo.git
我们想使用 OpenAIEmbeddings，所以我们必须获取 OpenAI API 密钥。 
import getpass
import os

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

OpenAI API Key:········

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Dingo
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

from langchain_community.document_loaders import TextLoader

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

embeddings = OpenAIEmbeddings()

from dingodb import DingoDB

index_name = "langchain_demo"

dingo_client = DingoDB(user="", password="", host=["127.0.0.1:13000"])
# First, check if our index already exists. If it doesn't, we create it
if (
    index_name not in dingo_client.get_index()
    and index_name.upper() not in dingo_client.get_index()
):
    # we create a new index, modify to your own
    dingo_client.create_index(
        index_name=index_name, dimension=1536, metric_type="cosine", auto_id=False
    )

# The OpenAI embedding model `text-embedding-ada-002 uses 1536 dimensions`
docsearch = Dingo.from_documents(
    docs, embeddings, client=dingo_client, index_name=index_name
)

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Dingo
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

query = "What did the president say about Ketanji Brown Jackson"
docs = docsearch.similarity_search(query)

print(docs[0].page_content)

​
向现有索引添加更多文本

可以使用 add_texts 函数将更多文本嵌入并插入到现有的 Dingo 索引中 
vectorstore = Dingo(embeddings, "text", client=dingo_client, index_name=index_name)

vectorstore.add_texts(["More text!"])

​
最大边际相关性搜索

除了在检索器对象中使用相似度搜索，您还可以使用 mmr 作为检索器。 
retriever = docsearch.as_retriever(search_type="mmr")
matched_docs = retriever.invoke(query)
for i, d in enumerate(matched_docs):
    print(f"\n## Document {i}\n")
    print(d.page_content)
或者直接使用 max_marginal_relevance_search 
found_docs = docsearch.max_marginal_relevance_search(query, k=2, fetch_k=10)
for i, doc in enumerate(found_docs):
    print(f"{i + 1}.", doc.page_content, "\n")
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.