跳到主要内容
Xata 是一个基于 PostgreSQL 的无服务器数据平台。它提供了一个用于与数据库交互的 Python SDK 和一个用于管理数据的用户界面。Xata 具有原生向量类型，可以添加到任何表中，并支持相似性搜索。LangChain 将向量直接插入到 Xata，并查询给定向量的最近邻，以便您可以将所有 LangChain Embeddings 集成与 Xata 结合使用。
本笔记本将指导您如何使用 Xata 作为 VectorStore。

​
设置

​
创建一个数据库用作向量存储

在 Xata 用户界面中创建一个新数据库。您可以随意命名，在本笔记本中我们使用 langchain。创建一个表，同样可以任意命名，但我们将使用 vectors。通过用户界面添加以下列：
  • 类型为“Text”的 content。用于存储 Document.pageContent 的值。
  • 类型为“Vector”的 embedding。使用您计划使用的模型所用的维度。在本笔记本中，我们使用 OpenAI 嵌入，其维度为 1536。
  • 类型为“Text”的 source。本示例用作元数据列。
  • 任何其他您想用作元数据的列。它们从 Document.metadata 对象中填充。例如，如果在 Document.metadata 对象中有一个 title 属性，您可以在表中创建一个 title 列，它将被填充。
我们先安装依赖项 
pip install -qU  xata langchain-openai langchain-community tiktoken langchain
让我们将 OpenAI 密钥加载到环境中。如果您没有，可以创建一个 OpenAI 帐户并在此页面上创建一个密钥。 
import getpass
import os

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")
同样，我们需要获取 Xata 的环境变量。您可以通过访问您的帐户设置来创建一个新的 API 密钥。要找到数据库 URL，请转到您创建的数据库的“设置”页面。数据库 URL 应该类似于：https://demo-uni3q8.eu-west-1.xata.sh/db/langchain。 
api_key = getpass.getpass("Xata API key: ")
db_url = input("Xata database URL (copy it from your DB settings):")

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores.xata import XataVectorStore
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

​
创建 Xata 向量存储

让我们导入测试数据集 
loader = TextLoader("../../how_to/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()
现在创建实际的向量存储，由 Xata 表支持。 
vector_store = XataVectorStore.from_documents(
    docs, embeddings, api_key=api_key, db_url=db_url, table_name="vectors"
)
运行上述命令后，如果您转到 Xata 用户界面，您应该会看到加载的文档及其嵌入。要使用已包含向量内容的现有 Xata 表，请初始化 XataVectorStore 构造函数。 
vector_store = XataVectorStore(
    api_key=api_key, db_url=db_url, embedding=embeddings, table_name="vectors"
)

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

​
带分数的相似性搜索（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.