跳到主要内容
Tigris 是一个开源的无服务器 NoSQL 数据库和搜索平台，旨在简化高性能向量搜索应用程序的构建。Tigris 消除了管理、操作和同步多个工具的基础设施复杂性，让您可以专注于构建出色的应用程序。
本笔记本将指导您如何使用 Tigris 作为您的 VectorStore 先决条件
  1. 一个 OpenAI 账户。您可以在此处注册账户。
  2. 注册免费的 Tigris 账户。注册 Tigris 账户后，创建一个名为 vectordemo 的新项目。接下来，记下您创建项目所在区域的 Uri、clientId 和 clientSecret。您可以从项目中的应用程序密钥部分获取所有这些信息。
首先安装我们的依赖项 
pip install -qU  tigrisdb openapi-schema-pydantic langchain-openai langchain-community tiktoken
我们将在环境中加载 OpenAI API 密钥和 Tigris 凭证 
import getpass
import os

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
if "TIGRIS_PROJECT" not in os.environ:
    os.environ["TIGRIS_PROJECT"] = getpass.getpass("Tigris Project Name:")
if "TIGRIS_CLIENT_ID" not in os.environ:
    os.environ["TIGRIS_CLIENT_ID"] = getpass.getpass("Tigris Client Id:")
if "TIGRIS_CLIENT_SECRET" not in os.environ:
    os.environ["TIGRIS_CLIENT_SECRET"] = getpass.getpass("Tigris Client Secret:")

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

​
初始化 Tigris 向量存储

让我们导入测试数据集 
loader = TextLoader("../../../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()

vector_store = Tigris.from_documents(docs, embeddings, index_name="my_embeddings")

query = "What did the president say about Ketanji Brown Jackson"
found_docs = vector_store.similarity_search(query)
print(found_docs)

​
带分数的相似度搜索（向量距离）

query = "What did the president say about Ketanji Brown Jackson"
result = vector_store.similarity_search_with_score(query)
for doc, score in result:
    print(f"document={doc}, score={score}")
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.