Skip to main content
Open on GitHub

MyScale

本页面介绍如何在 LangChain 中使用 MyScale 向量数据库。 内容分为两部分：安装与设置，以及对特定 MyScale 封装器的引用。

使用 MyScale，您可以同时管理结构化和非结构化（向量化）数据，并通过 SQL 对这两种类型的数据执行联合查询和分析。此外，MyScale 基于 ClickHouse 构建的云原生 OLAP 架构，即使在处理海量数据集时也能实现闪电般的快速数据处理。

简介​

MyScale 概述与高性能向量搜索

您现在可以在我们的SaaS平台上注册并立即启动集群！

如果你也对我们如何将SQL和向量集成感兴趣，请参阅此文档以获取更多语法参考。

我们还在Huggingface上提供实时演示！请查看我们的Huggingface空间！它们可以在瞬间搜索数百万个向量！

安装与设置​

  • 使用 pip install clickhouse-connect 安装 Python SDK

设置环境​

有两种方法可以为 myscale 索引设置参数。

  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_HOST='<your-endpoints-url>' MYSCALE_PORT=<your-endpoints-port> MYSCALE_USERNAME=<your-username> MYSCALE_PASSWORD=<your-password> ...

    您可以轻松在我们的SaaS平台上找到您的账户、密码及其他信息。详情请参阅此文档。 MyScaleSettings下的所有属性都可以使用前缀MYSCALE_进行设置，并且不区分大小写。

  2. 使用参数创建 MyScaleSettings 对象

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

包装器​

支持的功能：

  • 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
  • delete

VectorStore​

围绕 MyScale 数据库有一个封装器，允许你将其用作向量存储，无论是用于语义搜索还是类似示例的检索。

要导入此向量存储：

from langchain_community.vectorstores import MyScale
API 参考：MyScale

有关 MyScale 封装的更详细演练，请参阅 此笔记本