RAG是目前大语言模型从工具走向生产力实践的最热门的方式，它可以实现从海量的文本数据中检索相关的信息，并用于生成高质量的文本输出。
而聊到RAG，我们就很难避开使用RAG的基础设施-向量数据库
今天我将带领大家，以最为基础的CRUD入手来看看向量数据库应该如何使用。考虑到目前市面上的向量数据库众多，每个数据库的操作方式也无统一标准本文将基于LangChain提供的VectorStore类中的统一操作方法，以chroma向量数据库作为示例进行演示。
文章目录
-
- 通俗易懂讲解大模型系列
- 技术交流&资料
- 向量数据库-新增
- 向量数据库-删除
- 向量数据库-更新
- 向量数据库-查询
- 结语
通俗易懂讲解大模型系列
-
做大模型也有1年多了，聊聊这段时间的感悟！
-
用通俗易懂的方式讲解：大模型算法工程师最全面试题汇总
-
用通俗易懂的方式讲解：我的大模型岗位面试总结：共24家，9个offer
-
用通俗易懂的方式讲解：大模型 RAG 在 LangChain 中的应用实战
-
用通俗易懂的方式讲解：一文讲清大模型 RAG 技术全流程
-
用通俗易懂的方式讲解：如何提升大模型 Agent 的能力?
-
用通俗易懂的方式讲解：ChatGPT 开放的多模态的DALL-E 3功能，好玩到停不下来！
-
用通俗易懂的方式讲解：基于扩散模型（Diffusion）,文生图 AnyText 的效果太棒了
-
用通俗易懂的方式讲解：在 CPU 服务器上部署 ChatGLM3-6B 模型
-
用通俗易懂的方式讲解：使用 LangChain 和大模型生成海报文案
-
用通俗易懂的方式讲解：ChatGLM3-6B 部署指南
-
用通俗易懂的方式讲解：使用 LangChain 封装自定义的 LLM，太棒了
-
用通俗易懂的方式讲解：基于 Langchain 和 ChatChat 部署本地知识库问答系统
-
用通俗易懂的方式讲解：在 Ubuntu 22 上安装 CUDA、Nvidia 显卡驱动、PyTorch等大模型基础环境
-
用通俗易懂的方式讲解：Llama2 部署讲解及试用方式
-
用通俗易懂的方式讲解：基于 LangChain 和 ChatGLM2 打造自有知识库问答系统
-
用通俗易懂的方式讲解：一份保姆级的 Stable Diffusion 部署教程，开启你的炼丹之路
-
用通俗易懂的方式讲解：对 embedding 模型进行微调，我的大模型召回效果提升了太多了
-
用通俗易懂的方式讲解：LlamaIndex 官方发布高清大图，纵览高级 RAG技术
-
用通俗易懂的方式讲解：为什么大模型 Advanced RAG 方法对于AI的未来至关重要？
-
用通俗易懂的方式讲解：使用 LlamaIndex 和 Eleasticsearch 进行大模型 RAG 检索增强生成
-
用通俗易懂的方式讲解：基于 Langchain 框架，利用 MongoDB 矢量搜索实现大模型 RAG 高级检索方法
-
用通俗易懂的方式讲解：使用Llama-2、PgVector和LlamaIndex，构建大模型 RAG 全流程
技术交流&资料
技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
成立了大模型技术交流群，本文完整代码、相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。
方式①、微信搜索公众号：机器学习社区，后台回复：加群
方式②、添加微信号：mlc2060，备注：来自CSDN + 技术交流
向量数据库-新增
LangChain的VectorStore类是一个通用的向量数据库的接口，它可以对接不同的底层向量数据库，如chroma、faiss、annoy等，实现统一的操作方法和API。VectorStore类还提供了一些高级的功能，如语义检索、最大边际相关性（MMR）等，可以帮助我们更好地利用向量数据库的能力。
要想向向量数据库中新增数据，我们首先需要创建一个VectorStore对象，并在创建时配置好embedding function，即用于将原始数据转换为向量的函数。如下所示：
# 通过HuggingFace创建embedding_function embeddings = HuggingFaceEmbeddings(model_name=model) # 创建VectorStore的具体实现类Chroma对象，并指定collection_name和持久化目录 vector = Chroma(collection_name = 'cname', embedding_function=embeddings,persist_directory='/vs')
创建好VectorStore对象后，我们就可以使用insert方法来向向量数据库中插入数据了。insert方法接受一个doc对象作为参数，doc对象可以是一个字符串或一个字典，如果是一个字典，那么必须包含一个名为text的键，其值为要插入的文本内容，同时，我们还可以在doc对象中添加一些其他的元数据，用于后续的查询或过滤。例如，我们可以向向量数据库中插入以下三个doc对象：
# 先将文本拆分并转化为doc loader = TextLoader(url,autodetect_encoding = True) docs = loader.load() text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) splits = text_splitter.split_documents(docs) # 插入向量数据库 vector.add_documents(documents=splits)
add_documents方法会返回一个id列表，这个id是doc的索引，用于唯一标识插入的doc对象。我们可以根据需要记录这个id，并与原始文件关联，一般来说，一个file对应多个doc，例如，我们可以将一个长文本拆分为多个段落，然后将每个段落作为一个doc插入到向量数据库中，这样可以提高检索的效率和精度。
向量数据库-删除
要想从向量数据库中删除数据，我们可以使用delete方法，delete方法接受一个id或一个id列表作为参数，然后根据id来删除对应的doc对象。例如，我们可以使用以下代码来删除id为1的doc对象：
# 删除id为1的doc对象
vector.delete('1')
如果我们不知道要删除的doc对象的id，但是知道它的一些元数据，我们可以先使用metadata中的字段来查询到id，然后再使用delete方法来批量删除。例如，我们可以使用以下代码来删除所有category为功能的doc对象：
# 根据file_id的条件，查询到所有符合的doc对象的id
reuslt = vector.get(where={"file_id":file_id})
# 使用delete方法，批量删除这些id对应的doc对象
if reuslt['ids'] :
vector.delete(reuslt['ids'])
向量数据库-更新
VectorStore类没有提供专门的更新方法，因为更新一个doc对象相当于先删除它，然后再插入一个新的doc对象。因此，我们可以使用delete和insert方法来实现文档的更新。例如，我们可以使用以下代码来更新id为2的doc对象，将它的source从文档改为官网：
# 删除id为2的doc对象
vector.delete('2')
# 插入新的doc对象
vector.add_documents(new_doc)
向量数据库-查询
VectorStore类提供了多种查询方法，用于根据不同的需求和场景来检索向量数据库中的数据。查询方法主要分为两种类型：similarity和mmr。similarity类型的查询方法是基于向量之间的相似度来进行检索的，它可以接受一个字符串或一个向量作为查询，然后返回最相似的doc对象以及相似度。mmr类型的查询方法是基于最大边际相关性（MMR）来进行检索的，它可以接受一个字符串或一个向量作为查询，然后返回一个多样化的doc对象列表，这些doc对象既与查询相关，又尽量不相似。
接下来，我们将介绍以下四个查询方法：
- similarity_search：这个方法是最基本的相似度查询方法，它接受一个字符串作为查询，以及一个可选的top_n参数，用于指定返回的doc对象的数量，默认为4，然后返回最相似的doc对象或它们的id。例如，我们可以使用以下代码来查询与“语义检索”最相似的doc对象：
# 查询与“语义检索”最相似的doc对象
docs = vector.similarity_search("语义检索")
# 打印查询结果
for doc in docs:
print(doc)
- similarity_search_with_score：这个方法与similarity_search类似，但是它会同时返回向量之间的距离，距离越小表示越相似。例如，我们可以使用以下代码来查询与“语义检索”最相似的doc对象，并打印它们的分数：
# 查询与“语义检索”最相似的doc对象，并返回分数
docs_with_score = vector.similarity_search_with_score("语义检索")
# 打印查询结果和分数
for doc_with_score in docs_with_score:
print(doc_with_score[0], doc_with_score[1])
-
similarity_search_with_relevance_scores：这个方法与similarity_search_with_score类似，但是它会将分数转换为一个介于0和1之间的相关度评分，这个评分表示查询和doc对象之间的语义相关程度，评分越高越相似。代码与similarity_search_with_score类似，不再额外示例
-
max_marginal_relevance_search：这个方法是基于最大边际相关性（MMR）来进行查询的，最大边际相关性（MMR）是一种用于检索或摘要的方法，它既考虑了查询和文档之间的相似度，又考虑了文档之间的多样性，从而避免返回重复或冗余的结果。它接受一个字符串或一个向量作为查询，以及一个可选的top_n参数，用于指定返回的doc对象的数量，默认为10，然后返回一个多样化的doc对象列表，这些doc对象既与查询相关，又尽量不相似。这个方法可以用于生成摘要、提取关键信息、避免重复内容等场景。例如，我们可以使用以下代码来查询与“LangChain”相关的但不相似的doc对象：
# 查询与“LangChain”相关的但不相似的doc对象
docs = vector.max_marginal_relevance_search("LangChain")
# 打印查询结果
for doc in docs:
print(doc)
结语
CRUD只是操作向量数据库的基础手段，想要用好RAG必须在CRUD的基础上掌握语义检索的相关原理。
比如文档拆分时需要按语义尽可能的拆分为小的单元，而在召回时，则需要基于召回的单元尽可能的补充完整的窗口上下文，才能在最终使用LLM时得到尽可能好的结果。这些都需要在crud的基础上执行一些额外操作，我将在下次给大家讲述，希望你持续关注。
档拆分时需要按语义尽可能的拆分为小的单元，而在召回时，则需要基于召回的单元尽可能的补充完整的窗口上下文，才能在最终使用LLM时得到尽可能好的结果。这些都需要在crud的基础上执行一些额外操作，我将在下次给大家讲述，希望你持续关注。
以上就是本文的全部内容，我希望你能从中学到一些有用的知识，也欢迎你在评论区留下你的反馈或问题。谢谢你的阅读，下次再见。