跳到主要内容
NeuralDB 是由 ThirdAI 开发的对 CPU 友好且可微调的向量存储库。

​
初始化

有两种初始化方法
  • 从头开始：基本模型
  • 从检查点：加载以前保存的模型
对于以下所有初始化方法，如果设置了 `THIRDAI_KEY` 环境变量，则可以省略 `thirdai_key` 参数。 ThirdAI API 密钥可从 www.thirdai.com/try-bolt/ 获取。 您需要安装 `langchain-community`，通过 `pip install -qU langchain-community` 命令来使用此集成。
from langchain_community.vectorstores import NeuralDBVectorStore

# From scratch
vectorstore = NeuralDBVectorStore.from_scratch(thirdai_key="your-thirdai-key")

# From checkpoint
vectorstore = NeuralDBVectorStore.from_checkpoint(
    # Path to a NeuralDB checkpoint. For example, if you call
    # vectorstore.save("/path/to/checkpoint.ndb") in one script, then you can
    # call NeuralDBVectorStore.from_checkpoint("/path/to/checkpoint.ndb") in
    # another script to load the saved model.
    checkpoint="/path/to/checkpoint.ndb",
    thirdai_key="your-thirdai-key",
)

​
插入文档源

vectorstore.insert(
    # If you have PDF, DOCX, or CSV files, you can directly pass the paths to the documents
    sources=["/path/to/doc.pdf", "/path/to/doc.docx", "/path/to/doc.csv"],
    # When True this means that the underlying model in the NeuralDB will
    # undergo unsupervised pretraining on the inserted files. Defaults to True.
    train=True,
    # Much faster insertion with a slight drop in performance. Defaults to True.
    fast_mode=True,
)

from thirdai import neural_db as ndb

vectorstore.insert(
    # If you have files in other formats, or prefer to configure how
    # your files are parsed, then you can pass in NeuralDB document objects
    # like this.
    sources=[
        ndb.PDF(
            "/path/to/doc.pdf",
            version="v2",
            chunk_size=100,
            metadata={"published": 2022},
        ),
        ndb.Unstructured("/path/to/deck.pptx"),
    ]
)
要查询向量存储，您可以使用标准的 LangChain 向量存储方法 `similarity_search`，它返回一个 LangChain Document 对象列表。每个文档对象代表索引文件中的一段文本。例如，它可能包含来自某个索引 PDF 文件的一段。除了文本之外，文档的元数据字段还包含文档 ID、此文档的来源（来自哪个文件）以及文档得分等信息。 
# This returns a list of LangChain Document objects
documents = vectorstore.similarity_search("query", k=10)

​
微调

NeuralDBVectorStore 可以根据用户行为和领域特定知识进行微调。它可以通过两种方式进行微调：
  1. 关联：向量存储将源短语与目标短语关联起来。当向量存储看到源短语时，它也会考虑与目标短语相关的结果。
  2. 点赞：向量存储会增加特定查询的文档得分。当您想根据用户行为微调向量存储时，这非常有用。例如，如果用户搜索“汽车是如何制造的”并喜欢 ID 为 52 的返回文档，那么我们可以为查询“汽车是如何制造的”增加 ID 为 52 的文档的得分。
vectorstore.associate(source="source phrase", target="target phrase")
vectorstore.associate_batch(
    [
        ("source phrase 1", "target phrase 1"),
        ("source phrase 2", "target phrase 2"),
    ]
)

vectorstore.upvote(query="how is a car manufactured", document_id=52)
vectorstore.upvote_batch(
    [
        ("query 1", 52),
        ("query 2", 20),
    ]
)
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.