Skip to main content

MyScale

本页面介绍如何在 LangChain 中使用 MyScale 向量数据库。 它分为两部分：安装和设置，以及特定 MyScale 包装器的参考。

使用 MyScale，您可以管理结构化和非结构化（向量化）数据，并使用 SQL 对两种类型的数据执行联合查询和分析。此外，MyScale 的云原生 OLAP 架构基于 ClickHouse 构建，即使在大型数据集上也能实现闪电般快速的数据处理。

介绍​

MyScale 和高性能向量搜索概述

您现在可以在我们的 SaaS 上注册并 立即启动集群！

如果您还对我们如何将 SQL 和向量集成感兴趣，请参阅 此文档 以获取更多语法参考。

我们还提供了基于 huggingface 的实时演示！请查看我们的 huggingface 空间！他们可以在瞬间内搜索数百万个向量！

安装和设置​

  • 使用 pip install clickhouse-connect 安装 Python SDK

设置环境​

有两种方法可以设置 myscale 索引的参数。

  1. 环境变量

    在运行应用程序之前，请使用 export 设置环境变量： export MYSCALE_URL='<your-endpoints-url>' MYSCALE_PORT=<your-endpoints-port> MYSCALE_USERNAME=<your-username> MYSCALE_PASSWORD=<your-password> ...

    您可以在我们的 SaaS 上轻松找到您的帐户、密码和其他信息。有关详细信息，请参阅 此文档 MyScaleSettings 下的每个属性都可以使用前缀 MYSCALE_ 进行设置，不区分大小写。

  2. 使用参数创建 MyScaleSettings 对象

```python
from langchain.vectorstores import MyScale, MyScaleSettings
config = MyScaleSetting(host="<your-backend-url>", port=8443, ...)
index = MyScale(embedding_function, config)
index.add_documents(...)
```

包装器​

支持的函数：

  • add_texts
  • add_documents
  • from_texts
  • from_documents
  • similarity_search
  • asimilarity_search
  • similarity_search_by_vector
  • asimilarity_search_by_vector
  • similarity_search_with_relevance_scores

VectorStore​

存在一个围绕 MyScale 数据库的包装器，允许您将其用作向量存储， 无论是用于语义搜索还是类似示例检索。

要导入此向量存储：

from langchain.vectorstores import MyScale

有关 MyScale 包装器的更详细演示，请参阅 此笔记本