在当今数据驱动的时代，RAG（Retrieval-Augmented Generation）正成为大语言模型从工具走向生产力实践的热门方式。RAG能够从海量文本数据中检索相关信息，并用于生成高质量的文本输出。而在实现RAG的过程中，向量数据库作为基础设施，扮演着不可或缺的角色。今天，我将带领大家以CRUD（创建、读取、更新、删除）操作为切入点，深入探讨向量数据库的使用方法。🌟

1. 向量数据库的基础知识

向量数据库是一种专门用于存储和检索高维向量数据的数据库。与传统的关系型数据库不同，向量数据库能够处理复杂的数据结构，如文本、图像和音频等。这使得它们在机器学习和深度学习应用中，尤其是在自然语言处理（NLP）和计算机视觉（CV）领域，得到了广泛的应用。

1.1 为什么选择向量数据库？

• 高效检索：向量数据库能够快速找到与查询向量相似的向量，适合大规模数据集。
• 灵活性：支持多种数据类型，适合多种应用场景。
• 扩展性：可以轻松扩展以处理更多数据和更复杂的查询。

2. CRUD操作详解

2.1 向量数据库-新增数据

要向向量数据库中新增数据，首先需要创建一个VectorStore对象，并配置embedding function，用于将原始数据转换为向量。以下是具体步骤：

from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma

# 创建embedding_function
embeddings = HuggingFaceEmbeddings(model_name='your_model_name')

# 创建Chroma对象
vector = Chroma(collection_name='cname', embedding_function=embeddings, persist_directory='/vs')

创建好VectorStore对象后，我们可以使用insert方法向向量数据库中插入数据。insert方法接受一个doc对象作为参数，doc对象可以是字符串或字典。如果是字典，必须包含一个名为text的键，其值为要插入的文本内容，同时可以添加其他元数据用于后续查询或过滤。

示例代码：

from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 加载文本并拆分
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。一般来说，一个文件对应多个doc，例如，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。

2.2 向量数据库-删除数据

要从向量数据库中删除数据，可以使用delete方法。该方法接受一个id或id列表作为参数。

示例代码：

# 删除id为1的doc对象
vector.delete('1')

如果不知道要删除的doc对象的id，但知道它的一些元数据，可以先使用metadata中的字段查询到id，然后再使用delete方法批量删除。

# 根据file_id条件查询
result = vector.get(where={"file_id": file_id})

# 批量删除
if result['ids']:
    vector.delete(result['ids'])

2.3 向量数据库-更新数据

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。以下是更新的示例代码：

# 删除id为2的doc对象
vector.delete('2')

# 插入新的doc对象
vector.add_documents(new_doc)

2.4 向量数据库-查询数据

VectorStore类提供了多种查询方法，主要分为两种类型：相似度查询和最大边际相关性（MMR）查询。

2.4.1 相似度查询

相似度查询是最基本的查询方法，它接受一个字符串作为查询，并返回最相似的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)

2.4.2 最大边际相关性查询

MMR查询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。

# 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)

3. 语义检索的进阶技巧

CRUD操作只是使用向量数据库的基础手段。要充分利用RAG，我们还需要掌握语义检索的相关原理。例如，在文档拆分时，需按语义尽可能拆分为小的单元；在召回时，则需基于召回的单元尽可能补充完整的上下文。这些都需要在CRUD的基础上执行一些额外操作。

结语

通过本文的学习，你应该对向量数据库的CRUD操作有了清晰的认识。希望你能在实际项目中灵活运用这些知识，提升你的数据处理能力。💪

如果你对向量数据库或语义检索有任何疑问，欢迎在评论区留言讨论！同时，别忘了关注我的CSDN账号，获取更多技术干货和实用教程！感谢你的阅读，我们下次再见！😊

---

🔥codemoss_能用AI

【无限GPT4.omini】
【拒绝爬梯】
【上百种AI工作流落地场景】
【主流大模型集聚地：GPT-4o-Mini、GPT-3.5 Turbo、GPT-4 Turbo、GPT-4o、GPT-o1、Claude-3.5-Sonnet、Gemini Pro、月之暗面、文心一言 4.0、通易千问 Plus等众多模型】

🔥传送门：https://www.nyai.chat/chat?invite=nyai_1141439&fromChannel=csdn

---

希望这篇文章能帮助你在向量数据库的学习中更进一步！