跳到主要内容
SurrealDB 是一个统一的多模型数据库，专为 AI 系统打造。它将结构化和非结构化数据（包括向量搜索、图遍历、关系查询、全文搜索、文档存储和时间序列数据）组合到一个单一的 ACID 兼容引擎中，规模可从 3MB 的边缘二进制文件扩展到云端 PB 级集群。通过消除对多个专业存储的需求，SurrealDB 简化了架构，减少了延迟，并确保了 AI 工作负载的一致性。 为什么 SurrealDB 对生成式 AI 系统很重要
  • 一个引擎用于存储和内存： 在一个系统中结合持久存储和快速、对代理友好的内存，提供代理所需的所有数据，并消除同步多个系统的需要。
  • 代理的单跳内存： 在单个查询中运行向量搜索、图遍历、语义连接和事务性写入，使 LLM 代理能够快速、一致地访问内存，而无需将关系型、图和向量数据库拼接在一起。
  • 原地推理和实时更新： SurrealDB 使代理能够进行数据旁推理并接收毫秒级新鲜更新，这对于实时推理和协作至关重要。
  • 版本化、持久上下文： SurrealDB 支持时间旅行查询和版本化记录，允许代理审计或“重放”过去的状态，以实现一致、可解释的推理。
  • 即插即用代理内存： 将 AI 内存作为原生概念公开，使得将 SurrealDB 作为 AI 框架的即插即用后端变得容易。
本笔记本介绍了如何开始使用 SurrealDB 向量存储。

​
设置

您可以在本地运行 SurrealDB，或者从免费的 SurrealDB 云帐户开始。 对于本地部署，有两种选择：
  1. 安装 SurrealDB 并运行 SurrealDB。在内存中运行： 
    surreal start -u root -p root
  2. 使用 Docker 运行. 
    docker run --rm --pull always -p 8000:8000 surrealdb/surrealdb:latest start

​
安装依赖项

安装 langchain-surrealdb 和 surrealdb Python 包。 
# -- Using pip
pip install -U langchain-surrealdb surrealdb
# -- Using poetry
poetry add langchain-surrealdb surrealdb
# -- Using uv
uv add langchain-surrealdb surrealdb
要运行此笔记本，我们只需安装此示例所需的额外依赖项 
!poetry add --quiet --group docs langchain-ollama langchain-surrealdb

​
初始化

from langchain_ollama import OllamaEmbeddings
from langchain_surrealdb.vectorstores import SurrealDBVectorStore
from surrealdb import Surreal

conn = Surreal("ws://:8000/rpc")
conn.signin({"username": "root", "password": "root"})
conn.use("langchain", "demo")
vector_store = SurrealDBVectorStore(OllamaEmbeddings(model="llama3.2"), conn)

​
管理向量存储

​
向向量存储添加项目

from langchain_core.documents import Document

_url = "https://surrealdb.com"
d1 = Document(page_content="foo", metadata={"source": _url})
d2 = Document(page_content="SurrealDB", metadata={"source": _url})
d3 = Document(page_content="bar", metadata={"source": _url})
d4 = Document(page_content="this is surreal", metadata={"source": _url})

vector_store.add_documents(documents=[d1, d2, d3, d4], ids=["1", "2", "3", "4"])

['1', '2', '3', '4']

​
更新向量存储中的项目

updated_document = Document(
    page_content="zar", metadata={"source": "https://example.com"}
)

vector_store.add_documents(documents=[updated_document], ids=["3"])

['3']

​
从向量存储中删除项目

vector_store.delete(ids=["3"])

​
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 
results = vector_store.similarity_search(
    query="surreal", k=1, custom_filter={"source": "https://surrealdb.com"}
)
for doc in results:
    print(f"{doc.page_content} [{doc.metadata}]")

this is surreal [{'source': 'https://surrealdb.com'}]
如果您想执行相似性搜索并接收相应的分数，可以运行 
results = vector_store.similarity_search_with_score(
    query="thud", k=1, custom_filter={"source": "https://surrealdb.com"}
)
for doc, score in results:
    print(f"[similarity={score:.0%}] {doc.page_content}")

[similarity=57%] this is surreal

​
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。 
retriever = vector_store.as_retriever(
    search_type="mmr", search_kwargs={"k": 1, "lambda_mult": 0.5}
)
retriever.invoke("surreal")

[Document(id='4', metadata={'source': 'https://surrealdb.com'}, page_content='this is surreal')]

​
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

​
API 参考

有关所有 SurrealDBVectorStore 功能和配置的详细文档，请参阅 API 参考：python.langchain.com/api_reference/surrealdb/index.html

​
后续步骤

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.