在 LlamaIndex 中使用 TiDB 向量搜索

本文档将展示如何在 LlamaIndex 中使用 TiDB 向量搜索。

前置需求

为了能够顺利完成本文中的操作，你需要提前：

• 在你的机器上安装 Python 3.8 或更高版本
• 在你的机器上安装 Jupyter Notebook
• 在你的机器上安装 Git
• 准备一个 TiDB 集群

如果你还没有 TiDB 集群，可以按照以下任一种方式创建：

• 参考部署本地测试 TiDB 集群或部署正式 TiDB 集群，创建本地集群。
• 参考创建 TiDB Cloud Starter 集群，创建 TiDB Cloud 集群。

快速开始

本节将详细介绍如何将 TiDB 的向量搜索功能与 LlamaIndex 结合使用，以实现语义搜索。

第 1 步：新建 Jupyter Notebook 文件

在根目录下，新建一个名为 integrate_with_llamaindex.ipynb 的 Jupyter Notebook 文件：

touch integrate_with_llamaindex.ipynb

第 2 步：安装所需的依赖

在你的项目目录下，运行以下命令安装所需的软件包：

pip install llama-index-vector-stores-tidbvector
pip install llama-index

在 Jupyter Notebook 中打开 integrate_with_llamaindex.ipynb 文件，添加以下代码以导入所需的软件包：

import textwrap

from llama_index.core import SimpleDirectoryReader, StorageContext
from llama_index.core import VectorStoreIndex
from llama_index.vector_stores.tidbvector import TiDBVectorStore

第 3 步：配置环境变量

根据 TiDB 集群的部署方式不同，选择对应的环境变量配置方式。

# Use getpass to securely prompt for environment variables in your terminal.
import getpass
import os

# Connection string format: "mysql+pymysql://<USER>:<PASSWORD>@<HOST>:4000/<DB>?ssl_ca=/etc/ssl/cert.pem&ssl_verify_cert=true&ssl_verify_identity=true"
tidb_connection_string = getpass.getpass("TiDB Connection String:")
os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

TIDB_DATABASE_URL="mysql+pymysql://<USERNAME>:<PASSWORD>@<HOST>:<PORT>/<DATABASE_NAME>"
# 例如： TIDB_DATABASE_URL="mysql+pymysql://root@127.0.0.1:4000/test"

第 4 步：加载样本文档

4.1 下载样本文档

在你的项目目录中创建一个名为 data/paul_graham/ 的目录，然后从 run-llama/llama_index GitHub 代码库中下载样本文档 paul_graham_essay.txt：

mkdir -p 'data/paul_graham/'
wget 'https://raw.githubusercontent.com/run-llama/llama_index/main/docs/docs/examples/data/paul_graham/paul_graham_essay.txt' -O 'data/paul_graham/paul_graham_essay.txt'

4.2 加载文档

使用 SimpleDirectoryReader 从 data/paul_graham/paul_graham_essay.txt 中加载示例文档：

documents = SimpleDirectoryReader("./data/paul_graham").load_data()
print("Document ID:", documents[0].doc_id)

for index, document in enumerate(documents):
   document.metadata = {"book": "paul_graham"}

第 5 步：生成并存储文档向量

5.1 初始化 TiDB 向量存储

以下代码将在 TiDB 中创建一个 paul_graham_test 表，该表针对向量搜索进行了优化。

tidbvec = TiDBVectorStore(
   connection_string=tidb_connection_url,
   table_name="paul_graham_test",
   distance_strategy="cosine",
   vector_dimension=1536,
   drop_existing_table=False,
)

执行成功后，你可以直接查看和访问 TiDB 数据库中的 paul_graham_test 表。

5.2 生成并存储向量嵌入

以下代码将解析文档以生成向量嵌入，并将向量嵌入存储到 TiDB 向量存储中。

storage_context = StorageContext.from_defaults(vector_store=tidbvec)
index = VectorStoreIndex.from_documents(
   documents, storage_context=storage_context, show_progress=True
)

预期输出如下：

Parsing nodes: 100%|██████████| 1/1 [00:00<00:00,  8.76it/s]
Generating embeddings: 100%|██████████| 21/21 [00:02<00:00,  8.22it/s]

第 6 步：执行向量搜索

以下代码将基于 TiDB 向量存储创建一个查询引擎，并执行语义相似性搜索。

query_engine = index.as_query_engine()
response = query_engine.query("What did the author do?")
print(textwrap.fill(str(response), 100))

预期输出如下：

The author worked on writing, programming, building microcomputers, giving talks at conferences,
publishing essays online, developing spam filters, painting, hosting dinner parties, and purchasing
a building for office use.

第 7 步：使用元数据过滤器进行搜索

为了优化搜索，你可以使用元数据过滤器来筛选出符合特定条件的近邻结果。

使用 book != “paul_graham” 过滤器查询

以下示例的查询将排除掉 book 元数据字段为 paul_graham 的结果：

from llama_index.core.vector_stores.types import (
   MetadataFilter,
   MetadataFilters,
)

query_engine = index.as_query_engine(
   filters=MetadataFilters(
      filters=[
         MetadataFilter(key="book", value="paul_graham", operator="!="),
      ]
   ),
   similarity_top_k=2,
)
response = query_engine.query("What did the author learn?")
print(textwrap.fill(str(response), 100))

预期输出如下：

Empty Response

Query with book == "paul_graham" filter

以下示例的查询将筛选出 book 元数据字段为 paul_graham 的结果：

from llama_index.core.vector_stores.types import (
   MetadataFilter,
   MetadataFilters,
)

query_engine = index.as_query_engine(
   filters=MetadataFilters(
      filters=[
         MetadataFilter(key="book", value="paul_graham", operator="=="),
      ]
   ),
   similarity_top_k=2,
)
response = query_engine.query("What did the author learn?")
print(textwrap.fill(str(response), 100))

预期输出如下：

The author learned programming on an IBM 1401 using an early version of Fortran in 9th grade, then
later transitioned to working with microcomputers like the TRS-80 and Apple II. Additionally, the
author studied philosophy in college but found it unfulfilling, leading to a switch to studying AI.
Later on, the author attended art school in both the US and Italy, where they observed a lack of
substantial teaching in the painting department.

第 8 步：删除文档

从索引中删除第一个文档：

tidbvec.delete(documents[0].doc_id)

检查文档是否已被删除：

query_engine = index.as_query_engine()
response = query_engine.query("What did the author learn?")
print(textwrap.fill(str(response), 100))

预期输出如下：

Empty Response

另请参阅

• 向量数据类型
• 向量搜索索引