Langflow 中的向量存储组件

向量数据库存储向量数据，为聊天机器人和检索增强生成等 AI 工作负载提供支持。

向量数据库组件用于建立与现有向量数据库的连接，或创建内存向量存储来存储和检索向量数据。

向量数据库组件与记忆组件不同，后者专门用于存储和检索来自外部数据库的聊天消息。

在流程中使用向量存储组件

本示例使用 Astra DB 向量存储组件。您的向量存储组件的参数和认证方式可能有所不同，但文档摄取工作流程是相同的。文档从本地机器加载并分块。Astra DB 向量存储使用连接的模型组件生成嵌入，并将它们存储在连接的 Astra DB 数据库中。

然后可以检索这些向量数据，用于检索增强生成等工作负载。

用户的聊天输入被嵌入并与文档摄取过程中嵌入的向量进行比较，以进行相似性搜索。结果从向量数据库组件输出为数据对象并解析为文本。此文本填充提示组件中的{context}变量，后者为Open AI 模型组件的响应提供信息。

或者，将向量数据库组件的检索器端口连接到检索器工具，然后再连接到Agent组件。这使得 Agent 能够将您的向量数据库用作工具，并根据可用数据做出决策。

Astra DB 向量存储

此组件使用 Astra DB 实现具有搜索功能的向量存储。

有关更多信息，请参阅DataStax 文档。

参数

输入

名称	显示名称	信息
token	Astra DB 应用 token	用于访问 Astra DB 的认证 token。
environment	环境	Astra DB API 端点的环境。例如，dev 或 prod。
database_name	数据库	Astra DB 实例的数据库名称。
api_endpoint	Astra DB API 端点	Astra DB 实例的 API 端点。这将覆盖数据库选择。
collection_name	集合	向量存储在 Astra DB 中的集合名称。
keyspace	键空间	Astra DB 中用于集合的可选键空间。
embedding_choice	嵌入模型或 Astra Vectorize	选择一个嵌入模型或使用 Astra vectorize。
embedding_model	嵌入模型	指定嵌入模型。Astra vectorize 集合不需要此参数。
number_of_results	搜索结果数量	要返回的搜索结果数量。默认值：4。
search_type	搜索类型	要使用的搜索类型。选项包括相似度、带分数阈值的相似度和MMR（最大边际相关性）。
search_score_threshold	搜索分数阈值	使用带分数阈值的相似度选项时，搜索结果的最低相似度分数阈值。
advanced_search_filter	搜索元数据过滤器	应用于搜索查询的可选过滤器字典。
autodetect_collection	自动检测集合	用于确定是否自动检测集合的布尔标志。
content_field	内容字段	用作向量存储文本内容字段的字段。
deletion_field	基于字段删除	提供此字段时，目标集合中元数据字段值与输入元数据字段值匹配的文档将在加载新数据之前被删除。
ignore_invalid_documents	忽略无效文档	用于确定在运行时是否忽略无效文档的布尔标志。
astradb_vectorstore_kwargs	AstraDBVectorStore 参数	AstraDBVectorStore 的其他可选参数字典。

输出

名称	显示名称	信息
vector_store	向量存储	配置了指定参数的 Astra DB 向量存储实例。
search_results	搜索结果	作为数据对象列表的相似性搜索结果。

生成嵌入

Astra DB 向量存储组件提供两种生成嵌入的方法。

1. 嵌入模型：通过连接 Langflow 中的嵌入组件来使用您自己的嵌入模型。

2. Astra Vectorize：使用 Astra DB 内置的嵌入生成服务。创建新集合时，选择嵌入提供商和模型，包括 Datastax 托管的 NVIDIA NV-Embed-QA 模型。

重要

嵌入模型的选择是在创建新集合时进行的，之后无法更改。

有关使用带嵌入模型的Astra DB 向量存储组件的示例，请参阅向量存储 RAG 入门项目。

有关更多信息，请参阅Astra DB Serverless 文档。

混合搜索

Astra DB 组件包含混合搜索功能，默认情况下启用。

与混合搜索相关的组件字段是搜索查询、词汇术语和重排序器。

• 搜索查询通过向量相似度查找结果。
• 词汇术语是以逗号分隔的关键词字符串，例如features, data, attributes, characteristics。
• 重排序器是混合搜索中使用的重排序模型。重排序模型是nvidia/llama-3.2-nv.reranker。

混合搜索执行向量相似度搜索和词汇搜索，比较两种搜索的结果，然后返回总体上最相关的结果。

重要

要使用混合搜索，您的集合必须在创建时启用向量、词汇和重排序功能。在 AWS us-east-2 区域的数据库中创建集合时，默认情况下启用这些功能。有关更多信息，请参阅DataStax 文档。

要在 Astra DB 组件中使用混合搜索，请执行以下操作

1. 单击新建流程 > RAG > 混合搜索 RAG。
2. 在 OpenAI 模型组件中，添加您的 OpenAI API 密钥。
3. 在 Astra DB 向量存储组件中，添加您的 Astra DB 应用 Token。
4. 在数据库字段中，选择您的数据库。
5. 在集合字段中，选择或创建一个启用混合搜索功能的集合。
6. 在操场中，输入一个关于您数据的问题，例如我的数据有哪些特征？您的查询被发送到两个组件：一个 OpenAI 模型组件和 Astra DB 向量数据库组件。OpenAI 组件包含一个用于根据您的输入创建词汇查询的提示

_10

您是一个数据库查询规划器，接收用户请求，然后将其转换为针对相关主题内容的搜索。

_10

您应该将查询转换为

_10

1. 一个用于针对 Lucene 文本分析器索引的关键词列表，不超过 4 个。严格使用单元词（unigrams）。

_10

2. 一个用作 QA 嵌入引擎基础的问题。

_10

避免与用户主题相关的常见关键词。

7. 要在 OpenAI 组件中查看 OpenAI 组件根据您的集合生成的关键词和问题，请在 OpenAI 组件中单击.

_10

1. 关键词：features, data, attributes, characteristics

_10

2. 问题：我的数据中可以识别出哪些特征？

8. 要查看从 OpenAI 组件的响应生成的DataFrame，请在结构化输出组件中单击。该 DataFrame 会传递给一个解析器组件，该组件将关键词列的内容解析为字符串。

   此逗号分隔的词语字符串被传递给 Astra DB 组件的词汇术语端口。请注意，Astra DB 端口的搜索查询端口连接到步骤 6 中的聊天输入组件。此搜索查询被向量化，搜索查询和词汇术语内容都被发送到find_and_rerank端点的重排序器。

   重排序器将向量搜索结果与词汇搜索的术语字符串进行比较。混合搜索的最高排名结果将返回到操场。

有关更多信息，请参阅DataStax 文档。

AstraDB 图向量存储

此组件使用 AstraDB 实现具有图功能的向量存储。有关更多信息，请参阅Astra DB Serverless 文档。

参数

输入

名称	显示名称	信息
collection_name	集合名称	向量存储在 AstraDB 中的集合名称。必需。
token	Astra DB 应用 token	用于访问 AstraDB 的认证 token。必需。
api_endpoint	API 端点	AstraDB 服务的 API 端点 URL。必需。
search_input	搜索输入	用于相似性搜索的查询字符串。
ingest_data	摄取数据	要摄取到向量存储中的数据。
namespace	命名空间	AstraDB 中用于集合的可选命名空间。
embedding	嵌入模型	要使用的嵌入模型。
metric	度量	向量比较的距离度量。选项包括“cosine”、“euclidean”、“dot_product”。
setup_mode	设置模式	设置向量存储的配置模式。选项包括“同步”、“异步”、“关闭”。
pre_delete_collection	预删除集合	用于确定在创建新集合之前是否删除现有集合的布尔标志。
number_of_results	结果数量	相似性搜索中返回的结果数量。默认值：4。
search_type	搜索类型	要使用的搜索类型。选项包括“相似度”、“图遍历”、“混合”。
traversal_depth	遍历深度	图遍历搜索的最大深度。默认值：1。
search_score_threshold	搜索分数阈值	搜索结果的最低相似度分数阈值。
search_filter	搜索元数据过滤器	应用于搜索查询的可选过滤器字典。

输出

名称	显示名称	信息
vector_store	向量存储	配置了指定参数的 Graph RAG 向量存储实例。
search_results	搜索结果	作为数据对象列表的相似性搜索结果。

Cassandra

此组件创建具有搜索功能的 Cassandra 向量存储。有关更多信息，请参阅Cassandra 文档。

参数

输入

名称	类型	描述
database_ref	字符串	数据库的连接点或 AstraDB 数据库 ID。
username	字符串	数据库的用户名（对于 AstraDB，留空）。
token	SecretString	数据库的用户密码或 AstraDB token。
keyspace	字符串	表键空间或 AstraDB 命名空间。
table_name	字符串	表名或 AstraDB 集合名。
ttl_seconds	整数	添加文本的生存时间（TTL）。
batch_size	整数	单个批次中处理的数据数量。
setup_mode	字符串	设置 Cassandra 表的配置模式。
cluster_kwargs	字典	Cassandra 集群的其他关键字参数。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索中返回的结果数量。
search_type	字符串	要执行的搜索类型。
search_score_threshold	浮点数	搜索结果的最低相似度分数。
search_filter	字典	搜索查询的元数据过滤器。
body_search	字符串	文档文本搜索术语。
enable_body_search	布尔值	启用正文搜索的标志。

输出

名称	类型	描述
vector_store	Cassandra	配置了指定参数的 Cassandra 向量存储实例。
search_results	列表[数据]	相似性搜索的结果，作为数据对象列表。

Cassandra 图向量存储

此组件实现具有搜索功能的 Cassandra 图向量存储。

参数

输入

名称	显示名称	信息
database_ref	连接点 / Astra 数据库 ID	数据库的连接点或 AstraDB 数据库 ID。必需。
username	用户名	数据库的用户名。对于 AstraDB，此字段留空。
token	密码 / AstraDB Token	数据库的用户密码或 AstraDB token。必需。
keyspace	键空间	表键空间或 AstraDB 命名空间。必需。
table_name	表名	存储向量的表名或 AstraDB 集合名。必需。
setup_mode	设置模式	设置 Cassandra 表的配置模式。选项包括“同步”或“关闭”。默认值：“同步”。
cluster_kwargs	集群参数	Cassandra 集群的其他可选关键字参数字典。
search_query	搜索查询	用于相似性搜索的查询字符串。
ingest_data	摄取数据	要摄取到向量存储中的数据列表。
embedding	嵌入	要使用的嵌入模型。
number_of_results	结果数量	相似性搜索中返回的结果数量。默认值：4。
search_type	搜索类型	要使用的搜索类型。选项包括“遍历”、“MMR 遍历”、“相似度”、“带分数阈值的相似度”或“MMR（最大边际相关性）”。默认值：“遍历”。
depth	遍历深度	要遍历的边的最大深度。用于“遍历”或“MMR 遍历”搜索类型。默认值：1。
search_score_threshold	搜索分数阈值	搜索结果的最低相似度分数阈值。用于“带分数阈值的相似度”搜索类型。
search_filter	搜索元数据过滤器	应用于搜索查询的可选过滤器字典。

输出

名称	显示名称	信息
vector_store	向量存储	配置了指定参数的 Cassandra 图向量存储实例。
search_results	搜索结果	作为数据对象列表的相似性搜索结果。

Chroma DB

此组件创建具有搜索功能的 Chroma 向量存储。

Chroma DB 组件创建一个用于实验和向量存储的临时向量数据库。

1. 要在流程中使用此组件，请将其连接到输出数据或DataFrame的组件。本示例将URL组件中的文本进行分割，并使用连接的 OpenAI 嵌入组件计算嵌入。Chroma DB 默认计算嵌入，但您可以连接自己的嵌入模型，如本示例所示。

2. 在 Chroma DB 组件中，在集合字段中，输入您的嵌入集合的名称。
3. 可选地，要持久化 Chroma 数据库，请在持久化字段中输入一个目录来存储 chroma.sqlite3 文件。本示例使用 ./chroma-db 在 Langflow 运行的位置创建一个相对目录。
4. 要将数据和嵌入加载到您的 Chroma 数据库中，请在 Chroma DB 组件中单击.

提示

加载重复文档时，如果您想存储相同内容的多个副本，请在 Chroma DB 中启用允许重复选项；如果想自动去重，则禁用此选项。

5. 要查看分割的数据，请在文本分割组件中单击.
6. 要查询已加载的数据，请打开操场并查询您的数据库。您的输入将被转换为向量数据，并与存储的向量进行向量相似性搜索比较。

有关更多信息，请参阅Chroma 文档。

参数

输入

名称	类型	描述
collection_name	字符串	Chroma 集合的名称。默认值：“langflow”。
persist_directory	字符串	持久化 Chroma 数据库的目录。
search_query	字符串	要在向量存储中搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据（数据对象列表）。
embedding	嵌入	用于向量存储的嵌入函数。
chroma_server_cors_allow_origins	字符串	Chroma 服务器的 CORS 允许来源。
chroma_server_host	字符串	Chroma 服务器的主机。
chroma_server_http_port	整数	Chroma 服务器的 HTTP 端口。
chroma_server_grpc_port	整数	Chroma 服务器的 gRPC 端口。
chroma_server_ssl_enabled	布尔值	为 Chroma 服务器启用 SSL。
allow_duplicates	布尔值	允许向量存储中存在重复文档。
search_type	字符串	要执行的搜索类型：“相似度”或“MMR”。
number_of_results	整数	搜索返回的结果数量。默认值：10。
limit	整数	当允许重复为False时，要比较的记录数量限制。

输出

名称	类型	描述
vector_store	Chroma	Chroma 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Clickhouse

此组件实现具有搜索功能的 Clickhouse 向量存储。有关更多信息，请参阅Clickhouse 文档。

参数

输入

名称	显示名称	信息
host	主机名	Clickhouse 服务器主机名。必需。默认值：“localhost”。
port	port	Clickhouse 服务器端口。必需。默认值：8123。
database	database	Clickhouse 数据库名称。必需。
table	表名	Clickhouse 表名。必需。
username	ClickHouse 用户名。	用于认证的用户名。必需。
password	用户名的密码。	用于认证的密码。必需。
index_type	index_type	索引类型。选项包括“annoy”和“vector_similarity”。默认值：“annoy”。
metric	metric	计算距离的度量。选项包括“angular”、“euclidean”、“manhattan”、“hamming”、“dot”。默认值：“angular”。
secure	使用 https/TLS	覆盖从接口或端口参数推断的值。默认值：false。
index_param	索引参数	索引参数。默认值：“'L2Distance',100”。
index_query_params	索引查询参数	其他索引查询参数。
search_query	搜索查询	用于相似性搜索的查询字符串。
ingest_data	摄取数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入模型。
number_of_results	结果数量	相似性搜索中返回的结果数量。默认值：4。
score_threshold	分数阈值	相似度分数阈值。

输出

名称	显示名称	信息
vector_store	向量存储	Clickhouse 向量存储。
search_results	搜索结果	相似性搜索的结果，作为数据对象列表。

Couchbase

此组件创建具有搜索功能的 Couchbase 向量存储。有关更多信息，请参阅Couchbase 文档。

参数

输入

名称	类型	描述
couchbase_connection_string	SecretString	Couchbase 集群连接字符串。必需。
couchbase_username	字符串	Couchbase 用户名。必需。
couchbase_password	SecretString	Couchbase 密码。必需。
bucket_name	字符串	Couchbase 桶名称。必需。
scope_name	字符串	Couchbase Scope 名称。必需。
collection_name	字符串	Couchbase 集合名称。必需。
index_name	字符串	Couchbase 索引名称。必需。
search_query	字符串	要在向量存储中搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据列表。
embedding	嵌入	用于向量存储的嵌入函数。
number_of_results	整数	搜索返回的结果数量。默认值：4。

输出

名称	类型	描述
vector_store	CouchbaseVectorStore	配置了指定参数的 Couchbase 向量存储实例。

本地数据库

本地数据库组件是 Langflow 增强版的 Chroma DB。

该组件增加了友好的用户界面，包含两种模式（摄取和检索），支持自动集合管理，并在 Langflow 的缓存目录中内置了持久化功能。

本地数据库包含摄取和检索模式。

摄取模式类似于ChromaDB，并将您的数据库持久化到 Langflow 缓存目录中。Langflow 缓存目录的位置在LANGFLOW_CONFIG_DIR中指定。有关更多信息，请参阅环境变量。

检索模式可以查询您的 Chroma DB 集合。

有关更多信息，请参阅Chroma 文档。

参数

输入

名称	类型	描述
collection_name	字符串	Chroma 集合的名称。默认值：“langflow”。
persist_directory	字符串	保存向量存储的自定义基础目录。集合存储在{directory}/vector_stores/{collection_name}下。如果未指定，将使用您系统的缓存文件夹。
existing_collections	字符串	选择一个之前创建的集合来搜索其存储的数据。
embedding	嵌入	用于向量存储的嵌入函数。
allow_duplicates	布尔值	如果为 false，将不会添加向量存储中已有的文档。
search_type	字符串	要执行的搜索类型：“相似度”或“MMR”。
ingest_data	数据/DataFrame	要存储的数据。它被嵌入并索引用于语义搜索。
search_query	字符串	输入文本以在选定的集合中搜索相似内容。
number_of_results	整数	返回的结果数量。默认值：10。
limit	整数	当允许重复为 False 时，要比较的记录数量限制。

输出

名称	类型	描述
vector_store	Chroma	配置了指定参数的本地 Chroma 向量存储实例。
search_results	列表数据	作为数据对象列表的相似性搜索结果。

Elasticsearch

此组件创建具有搜索功能的 Elasticsearch 向量存储。有关更多信息，请参阅Elasticsearch 文档。

参数

输入

名称	类型	描述
es_url	字符串	Elasticsearch 服务器 URL。
es_user	字符串	用于 Elasticsearch 认证的用户名。
es_password	SecretString	用于 Elasticsearch 认证的密码。
index_name	字符串	Elasticsearch 索引名称。
strategy	字符串	向量搜索策略。选项包括“近似 k 近邻”或“脚本评分”。
distance_strategy	字符串	距离计算策略。选项包括“余弦”、“欧氏距离”或“点积”。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索返回的结果数量。默认值：4。

输出

名称	类型	描述
vector_store	ElasticsearchStore	Elasticsearch 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

FAISS

此组件创建具有搜索功能的 FAISS 向量存储。有关更多信息，请参阅FAISS 文档。

参数

输入

名称	类型	描述
index_name	字符串	FAISS 索引名称。默认值：“langflow_index”。
persist_directory	字符串	保存 FAISS 索引的路径。它是相对于 Langflow 运行位置的相对路径。
search_query	字符串	要在向量存储中搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据列表。
allow_dangerous_deserialization	布尔值	设置为 True 以允许从不受信任的来源加载 pickle 文件。默认值：True。
embedding	嵌入	用于向量存储的嵌入函数。
number_of_results	整数	搜索返回的结果数量。默认值：4。

输出

名称	显示名称	信息
vector_store	向量存储	配置了指定参数的 FAISS 向量存储实例。
search_results	搜索结果	作为数据对象列表的相似性搜索结果。

Graph RAG

此组件在向量存储中执行 Graph RAG（检索增强生成）遍历，实现基于图的文档检索。有关更多信息，请参阅Graph RAG 文档。

有关示例流程，请参阅Graph RAG模板。

参数

输入

名称	显示名称	信息
embedding_model	嵌入模型	指定嵌入模型。对于使用Astra vectorize嵌入的集合，这不是必需的。
vector_store	向量存储连接	连接到向量存储。
edge_definition	边定义	图遍历的边定义。有关更多信息，请参阅GraphRAG 文档。
strategy	遍历策略	用于图遍历的策略。策略选项会从可用策略中动态加载。
search_query	搜索查询	要在向量存储中搜索的查询。
graphrag_strategy_kwargs	策略参数	检索策略的其他可选参数字典。有关更多信息，请参阅策略文档。

输出

名称	类型	描述
search_results	列表[数据]	基于图的文档检索结果，作为数据对象列表。

超融合数据库 (HCD)

此组件使用 HCD 实现向量存储。

要使用 HCD 向量存储，请添加您的部署的集合名称、用户名、密码和 HCD Data API 端点。端点必须采用http[s]://**DOMAIN_NAME** 或 **IP_ADDRESS**[:port]格式，例如http://192.0.2.250:8181。

将DOMAIN_NAME或IP_ADDRESS替换为您 HCD Data API 连接的域名或 IP 地址。

要使用 HCD 向量存储进行嵌入摄取，请将其连接到嵌入模型和文件加载器

参数

输入

名称	显示名称	信息
collection_name	集合名称	向量将存储在 HCD 中的集合名称。必需。
username	HCD 用户名	用于访问 HCD 的认证用户名。默认值为“hcd-superuser”。必需。
password	HCD 密码	用于访问 HCD 的认证密码。必需。
api_endpoint	HCD API 端点	HCD 服务的 API 端点 URL。必需。
search_input	搜索输入	用于相似性搜索的查询字符串。
ingest_data	摄取数据	要摄取到向量存储中的数据。
namespace	命名空间	HCD 中用于集合的可选命名空间。默认值为“default_namespace”。
ca_certificate	CA 证书	用于与 HCD 建立 TLS 连接的可选 CA 证书。
metric	度量	向量比较的可选距离度量。选项包括“cosine”、“dot_product”、“euclidean”。
batch_size	批量大小	单个批次中处理的可选数据数量。
bulk_insert_batch_concurrency	批量插入批次并发	批量插入操作的可选并发级别。
bulk_insert_overwrite_concurrency	批量插入覆盖并发	覆盖现有数据的批量插入操作的可选并发级别。
bulk_delete_concurrency	批量删除并发	批量删除操作的可选并发级别。
setup_mode	设置模式	设置向量存储的配置模式。选项包括“同步”、“异步”、“关闭”。默认值为“同步”。
pre_delete_collection	预删除集合	用于确定在创建新集合之前是否删除现有集合的布尔标志。
metadata_indexing_include	元数据索引包含	索引中要包含的可选元数据字段列表。
embedding	嵌入或 Astra Vectorize	允许使用嵌入模型或 Astra Vectorize 配置。
metadata_indexing_exclude	元数据索引排除	索引中要排除的可选元数据字段列表。
collection_indexing_policy	集合索引策略	定义集合索引策略的可选字典。
number_of_results	结果数量	相似性搜索中返回的结果数量。默认值为 4。
search_type	搜索类型	要使用的搜索类型。选项包括“相似度”、“带分数阈值的相似度”、“MMR（最大边际相关性）”。默认值为“相似度”。
search_score_threshold	搜索分数阈值	搜索结果的最低相似度分数阈值。默认值为 0。
search_filter	搜索元数据过滤器	应用于搜索查询的可选过滤器字典。

输出

名称	类型	描述
vector_store	HyperConvergedDatabaseVectorStore	HCD 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Milvus

此组件创建具有搜索功能的 Milvus 向量存储。有关更多信息，请参阅Milvus 文档。

参数

输入

名称	类型	描述
collection_name	字符串	Milvus 集合名称。
collection_description	字符串	Milvus 集合的描述。
uri	字符串	Milvus 连接 URI。
password	SecretString	Milvus 密码。
username	SecretString	Milvus 用户名。
batch_size	整数	单个批次中处理的数据数量。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索中返回的结果数量。
search_type	字符串	要执行的搜索类型。
search_score_threshold	浮点数	搜索结果的最低相似度分数。
search_filter	字典	搜索查询的元数据过滤器。
setup_mode	字符串	设置向量存储的配置模式。
vector_dimensions	整数	向量的维度数量。
pre_delete_collection	布尔值	在创建新集合之前是否删除现有集合。

输出

名称	类型	描述
vector_store	Milvus	配置了指定参数的 Milvus 向量存储实例。

MongoDB Atlas

此组件创建具有搜索功能的 MongoDB Atlas 向量存储。有关更多信息，请参阅MongoDB Atlas 文档。

参数

输入

名称	类型	描述
mongodb_atlas_cluster_uri	SecretString	您的 MongoDB Atlas 集群的连接 URI。必需。
enable_mtls	布尔值	启用相互 TLS 认证。默认值：false。
mongodb_atlas_client_cert	SecretString	用于 mTLS 认证的客户端证书与私钥组合。如果启用 mTLS，则必需。
db_name	字符串	要使用的数据库名称。必需。
collection_name	字符串	要使用的集合名称。必需。
index_name	字符串	Atlas Search 索引的名称，它应该是向量搜索类型。必需。
insert_mode	字符串	如何将新文档插入集合。选项包括“追加”或“覆盖”。默认值：“追加”。
embedding	嵌入	要使用的嵌入模型。
number_of_results	整数	相似性搜索中返回的结果数量。默认值：4。
index_field	字符串	要索引的字段。默认值：“embedding”。
filter_field	字符串	过滤索引的字段。
number_dimensions	整数	嵌入上下文长度。默认值：1536。
similarity	字符串	用于测量向量间相似度的方法。选项包括“余弦”、“欧氏距离”或“点积”。默认值：“余弦”。
quantization	字符串	量化通过将 32 位浮点数转换为更小的数据类型来降低内存成本。选项包括“标量”或“二进制”。

输出

名称	类型	描述
vector_store	MongoDBAtlasVectorSearch	MongoDB Atlas 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Opensearch

此组件创建具有搜索功能的 Opensearch 向量存储。有关更多信息，请参阅Opensearch 文档。

参数

输入

名称	类型	描述
opensearch_url	字符串	OpenSearch 集群 URL，例如https://192.168.1.1:9200。
index_name	字符串	OpenSearch 集群中存储向量的索引名称。
search_input	字符串	输入搜索查询。留空以检索所有文档或在使用混合搜索时留空。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
search_type	字符串	选项包括“similarity”、“similarity_score_threshold”、“mmr”。
number_of_results	整数	搜索返回的结果数量。
search_score_threshold	浮点数	搜索结果的最低相似度分数阈值。
username	字符串	开源集群的用户名。
password	SecretString	开源集群的密码。
use_ssl	布尔值	使用 SSL。
verify_certs	布尔值	验证证书。
hybrid_search_query	字符串	以 JSON 格式提供自定义混合搜索查询。这允许您结合向量相似度和关键词匹配。

输出

名称	类型	描述
vector_store	OpenSearchVectorSearch	OpenSearch 向量存储实例
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

PGVector

此组件创建具有搜索功能的 PGVector 向量存储。有关更多信息，请参阅PGVector 文档。

参数

输入

名称	类型	描述
pg_server_url	SecretString	PostgreSQL 服务器连接字符串。
collection_name	字符串	向量存储的表名。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索返回的结果数量。

输出

名称	显示名称	信息
vector_store	向量存储	配置了指定参数的 PGVector 向量存储实例。
search_results	搜索结果	作为数据对象列表的相似性搜索结果。

Pinecone

此组件创建具有搜索功能的 Pinecone 向量存储。有关更多信息，请参阅Pinecone 文档。

参数

输入

名称	类型	描述
index_name	字符串	Pinecone 索引名称。
namespace	字符串	索引的命名空间。
distance_strategy	字符串	计算向量间距离的策略。
pinecone_api_key	SecretString	Pinecone 的 API 密钥。
text_key	字符串	记录中用作文本的键。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索返回的结果数量。

输出

名称	显示名称	信息
vector_store	向量存储	配置了指定参数的 Pinecone 向量存储实例。
search_results	搜索结果	作为数据对象列表的相似性搜索结果。

Qdrant

此组件创建具有搜索功能的 Qdrant 向量存储。有关更多信息，请参阅Qdrant 文档。

参数

输入

名称	类型	描述
collection_name	字符串	Qdrant 集合名称。
host	字符串	Qdrant 服务器主机。
port	整数	Qdrant 服务器端口。
grpc_port	整数	Qdrant gRPC 端口。
api_key	SecretString	Qdrant 的 API 密钥。
prefix	字符串	Qdrant 的前缀。
timeout	整数	Qdrant 操作的超时时间。
path	字符串	Qdrant 的路径。
url	字符串	Qdrant 的 URL。
distance_func	字符串	用于向量相似度的距离函数。
content_payload_key	字符串	内容 payload 键。
metadata_payload_key	字符串	元数据 payload 键。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索返回的结果数量。

输出

名称	类型	描述
vector_store	Qdrant	一个 Qdrant 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Redis

此组件创建具有搜索功能的 Redis 向量存储。有关更多信息，请参阅Redis 文档。

参数

输入

名称	类型	描述
redis_server_url	SecretString	Redis 服务器连接字符串。
redis_index_name	字符串	Redis 索引名称。
code	字符串	Redis 的自定义代码（高级）。
schema	字符串	Redis 索引的架构。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
number_of_results	整数	搜索返回的结果数量。
embedding	嵌入	要使用的嵌入函数。

输出

名称	类型	描述
vector_store	Redis	Redis 向量存储实例
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Supabase

此组件创建与 Supabase 向量存储的连接，并具有搜索功能。有关更多信息，请参阅Supabase 文档。

参数

输入

名称	类型	描述
supabase_url	字符串	Supabase 实例的 URL。
supabase_service_key	SecretString	用于 Supabase 认证的服务密钥。
table_name	字符串	Supabase 中的表名。
query_name	字符串	要使用的查询名称。
search_query	字符串	用于相似性搜索的查询。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索返回的结果数量。

输出

名称	类型	描述
vector_store	SupabaseVectorStore	一个 Supabase 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Upstash

此组件创建具有搜索功能的 Upstash 向量存储。有关更多信息，请参阅Upstash 文档。

参数

输入

名称	类型	描述
index_url	字符串	Upstash 索引的 URL。
index_token	SecretString	Upstash 索引的 token。
text_key	字符串	记录中用作文本的键。
namespace	字符串	索引的命名空间。
search_query	字符串	用于相似性搜索的查询。
metadata_filter	字符串	按元数据过滤文档。
ingest_data	数据	要摄取到向量存储中的数据。
embedding	嵌入	要使用的嵌入函数。
number_of_results	整数	搜索返回的结果数量。

输出

名称	类型	描述
vector_store	UpstashVectorStore	一个 Upstash 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Vectara

此组件创建具有搜索功能的 Vectara 向量存储。有关更多信息，请参阅Vectara 文档。

参数

输入

名称	类型	描述
vectara_customer_id	字符串	Vectara 客户 ID。
vectara_corpus_id	字符串	Vectara 语料库 ID。
vectara_api_key	SecretString	Vectara API 密钥。
embedding	嵌入	要使用的嵌入函数（可选）。
ingest_data	列表[文档/数据]	要摄取到向量存储中的数据。
search_query	字符串	用于相似性搜索的查询。
number_of_results	整数	搜索返回的结果数量。

输出

名称	类型	描述
vector_store	VectaraVectorStore	Vectara 向量存储实例。
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Vectara 搜索

此组件根据提供的输入搜索 Vectara 向量存储中的文档。有关更多信息，请参阅Vectara 文档。

参数

输入

名称	类型	描述
search_type	字符串	搜索类型，例如“相似度”或“MMR”。
input_value	字符串	搜索查询。
vectara_customer_id	字符串	Vectara 客户 ID。
vectara_corpus_id	字符串	Vectara 语料库 ID。
vectara_api_key	SecretString	Vectara API 密钥。
files_url	列表[字符串]	文件初始化的可选 URL。

输出

名称	类型	描述
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。

Weaviate

此组件方便设置 Weaviate 向量存储，优化文本和文档索引与检索。有关更多信息，请参阅Weaviate 文档。

参数

输入

名称	类型	描述
weaviate_url	字符串	默认实例 URL。
search_by_text	布尔值	指示是否按文本搜索。
api_key	SecretString	用于认证的可选 API 密钥。
index_name	字符串	可选的索引名称。
text_key	字符串	默认的文本提取键。
input	文档	文档或记录。
embedding	嵌入	使用的嵌入模型。
attributes	列表[字符串]	可选的附加属性。

输出

名称	类型	描述
vector_store	WeaviateVectorStore	Weaviate 向量存储实例。

Weaviate 搜索

此组件搜索 Weaviate 向量存储中与输入相似的文档。有关更多信息，请参阅Weaviate 文档。

参数

输入

名称	类型	描述
search_type	字符串	搜索类型，例如“相似度”或“MMR”
input_value	字符串	搜索查询。
weaviate_url	字符串	默认实例 URL。
search_by_text	布尔值	一个布尔值，指示是否按文本搜索。
api_key	SecretString	用于认证的可选 API 密钥。
index_name	字符串	可选的索引名称。
text_key	字符串	默认的文本提取键。
embedding	嵌入	使用的嵌入模型。
attributes	列表[字符串]	可选的附加属性。

输出

名称	类型	描述
search_results	列表[数据]	作为数据对象列表的相似性搜索结果。