跳到主要内容
Meilisearch 是一个开源、闪电般快速且高度相关的搜索引擎。它具有出色的默认设置，可帮助开发人员构建流畅的搜索体验。 您可以自托管 Meilisearch 或在Meilisearch Cloud 上运行。
Meilisearch v1.3 支持向量搜索。本页指导您如何将 Meilisearch 集成作为向量存储并使用它执行向量搜索。 您需要安装 langchain-community，使用 pip install -qU langchain-community 才能使用此集成。

​
设置

​
启动 Meilisearch 实例

您需要一个正在运行的 Meilisearch 实例作为您的向量存储。您可以在本地运行 Meilisearch 或创建Meilisearch Cloud 帐户。 截至 Meilisearch v1.3，向量存储是一个实验性功能。启动 Meilisearch 实例后，您需要启用向量存储。对于自托管的 Meilisearch，请阅读关于启用实验性功能的文档。在 Meilisearch Cloud 上，通过项目设置页面启用向量存储。 您现在应该有一个已启用向量存储的运行中的 Meilisearch 实例。🎉

​
凭据

为了与您的 Meilisearch 实例交互，Meilisearch SDK 需要一个主机（您的实例的 URL）和一个 API 密钥。 主机
  • 在本地，默认主机是 localhost:7700
  • 在 Meilisearch Cloud 上，在您的项目设置页面中找到主机
API 密钥 Meilisearch 实例为您提供了三个开箱即用的 API 密钥：
  • 一个 MASTER KEY — 它应该只用于创建您的 Meilisearch 实例
  • 一个 ADMIN KEY — 仅在服务器端使用它来更新您的数据库及其设置
  • 一个 SEARCH KEY — 一个可以安全地在前端应用程序中共享的密钥
您可以根据需要创建额外的 API 密钥。

​
安装依赖项

本指南使用Meilisearch Python SDK。您可以通过运行以下命令进行安装 
pip install -qU  meilisearch
有关更多信息，请参阅Meilisearch Python SDK 文档。

​
示例

有多种方法可以初始化 Meilisearch 向量存储：根据需要提供 Meilisearch 客户端或URL和API 密钥。在我们的示例中，凭据将从环境中加载。 您可以使用 os 和 getpass 在 Notebook 环境中使环境变量可用。您可以将此技术用于以下所有示例。
import getpass
import os

if "MEILI_HTTP_ADDR" not in os.environ:
    os.environ["MEILI_HTTP_ADDR"] = getpass.getpass(
        "Meilisearch HTTP address and port:"
    )
if "MEILI_MASTER_KEY" not in os.environ:
    os.environ["MEILI_MASTER_KEY"] = getpass.getpass("Meilisearch API Key:")
我们想使用 OpenAIEmbeddings，所以我们必须获取 OpenAI API 密钥。 
if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

​
添加文本和嵌入

此示例将文本添加到 Meilisearch 向量数据库，而无需初始化 Meilisearch 向量存储。 
from langchain_community.vectorstores import Meilisearch
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

embeddings = OpenAIEmbeddings()
embedders = {
    "default": {
        "source": "userProvided",
        "dimensions": 1536,
    }
}
embedder_name = "default"

with open("../../how_to/state_of_the_union.txt") as f:
    state_of_the_union = f.read()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_text(state_of_the_union)

# Use Meilisearch vector store to store texts & associated embeddings as vector
vector_store = Meilisearch.from_texts(
    texts=texts, embedding=embeddings, embedders=embedders, embedder_name=embedder_name
)
在幕后，Meilisearch 会将文本转换为多个向量。这将带来与以下示例相同的结果。

​
添加文档和嵌入

在此示例中，我们将使用 LangChain TextSplitter 将文本拆分为多个文档。然后，我们将存储这些文档及其嵌入。 
from langchain_community.document_loaders import TextLoader

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

# Create documents
docs = text_splitter.split_documents(documents)

# Import documents & embeddings in the vector store
vector_store = Meilisearch.from_documents(
    documents=documents,
    embedding=embeddings,
    embedders=embedders,
    embedder_name=embedder_name,
)

# Search in our vector store
query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query, embedder_name=embedder_name)
print(docs[0].page_content)

​
通过创建 Meilisearch 向量存储添加文档

在此方法中，我们创建一个向量存储对象并向其中添加文档。 
import meilisearch
from langchain_community.vectorstores import Meilisearch

client = meilisearch.Client(url="http://127.0.0.1:7700", api_key="***")
vector_store = Meilisearch(
    embedding=embeddings,
    embedders=embedders,
    client=client,
    index_name="langchain_demo",
    text_key="text",
)
vector_store.add_documents(documents)

​
带分数的相似度搜索

此特定方法允许您返回文档和查询与它们之间的距离分数。 embedder_name 是用于语义搜索的嵌入器的名称，默认为“default”。 
docs_and_scores = vector_store.similarity_search_with_score(
    query, embedder_name=embedder_name
)
docs_and_scores[0]

​
向量相似度搜索

embedder_name 是用于语义搜索的嵌入器的名称，默认为“default”。 
embedding_vector = embeddings.embed_query(query)
docs_and_scores = vector_store.similarity_search_by_vector(
    embedding_vector, embedder_name=embedder_name
)
docs_and_scores[0]

​
附加资源

文档 开源存储库
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.