跳到主要内容
VLite 是一个简单且超快的向量数据库，允许您使用嵌入语义地存储和检索数据。VLite 由 numpy 构建，是一个轻量级的包含电池的数据库，用于在您的项目中实现 RAG、相似性搜索和嵌入。 您需要安装 langchain-community，运行 pip install -qU langchain-community 才能使用此集成。

​
安装

要在 LangChain 中使用 VLite，您需要安装 vlite 包。 
!pip install vlite

​
导入 VLite

from langchain_community.vectorstores import VLite

​
基本示例

在这个基本示例中，我们加载了一个文本文档，并将其存储在 VLite 向量数据库中。然后，我们执行相似性搜索以根据查询检索相关文档。 VLite 会为您处理文本的块化和嵌入，您可以通过预先块化文本和/或将这些块嵌入到 VLite 数据库中来更改这些参数。
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter

# Load the document and split it into chunks
loader = TextLoader("path/to/document.txt")
documents = loader.load()

# Create a VLite instance
vlite = VLite(collection="my_collection")

# Add documents to the VLite vector database
vlite.add_documents(documents)

# Perform a similarity search
query = "What is the main topic of the document?"
docs = vlite.similarity_search(query)

# Print the most relevant document
print(docs[0].page_content)

​
添加文本和文档

您可以使用 add_texts 和 add_documents 方法分别向 VLite 向量数据库添加文本或文档。 
# Add texts to the VLite vector database
texts = ["This is the first text.", "This is the second text."]
vlite.add_texts(texts)

# Add documents to the VLite vector database
documents = [Document(page_content="This is a document.", metadata={"source": "example.txt"})]
vlite.add_documents(documents)
VLite 提供在存储的文档上执行相似性搜索的方法。 
# Perform a similarity search
query = "What is the main topic of the document?"
docs = vlite.similarity_search(query, k=3)

# Perform a similarity search with scores
docs_with_scores = vlite.similarity_search_with_score(query, k=3)
VLite 还支持最大边际相关性 (MMR) 搜索，该搜索优化了与查询的相似性以及检索到的文档之间的多样性。 
# Perform an MMR search
docs = vlite.max_marginal_relevance_search(query, k=3)

​
更新和删除文档

您可以使用 update_document 和 delete 方法在 VLite 向量数据库中更新或删除文档。 
# Update a document
document_id = "doc_id_1"
updated_document = Document(page_content="Updated content", metadata={"source": "updated.txt"})
vlite.update_document(document_id, updated_document)

# Delete documents
document_ids = ["doc_id_1", "doc_id_2"]
vlite.delete(document_ids)

​
检索文档

您可以使用 get 方法根据其 ID 或元数据从 VLite 向量数据库中检索文档。 
# Retrieve documents by IDs
document_ids = ["doc_id_1", "doc_id_2"]
docs = vlite.get(ids=document_ids)

# Retrieve documents by metadata
metadata_filter = {"source": "example.txt"}
docs = vlite.get(where=metadata_filter)

​
创建 VLite 实例

您可以使用各种方法创建 VLite 实例 
# Create a VLite instance from texts
vlite = VLite.from_texts(texts)

# Create a VLite instance from documents
vlite = VLite.from_documents(documents)

# Create a VLite instance from an existing index
vlite = VLite.from_existing_index(collection="existing_collection")

​
附加功能

VLite 提供用于管理向量数据库的附加功能 
from langchain.vectorstores import VLite
vlite = VLite(collection="my_collection")

# Get the number of items in the collection
count = vlite.count()

# Save the collection
vlite.save()

# Clear the collection
vlite.clear()

# Get collection information
vlite.info()

# Dump the collection data
data = vlite.dump()
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.