Databricks 向量搜索集成 - 以编程方式使用文档

Databricks 向量搜索是一个无服务器的相似性搜索引擎，允许您将数据（包括元数据）的向量表示存储在向量数据库中。使用向量搜索，您可以从 Unity Catalog 管理的 Delta 表创建自动更新的向量搜索索引，并使用简单的 API 查询它们以返回最相似的向量。

本笔记本展示了如何将 LangChain 与 Databricks 向量搜索结合使用。

设置

要访问 Databricks 模型，您需要创建一个 Databricks 账户、设置凭据（仅在 Databricks 工作区外部时），并安装所需的包。

凭据（仅在 Databricks 外部时）

如果您在 Databricks 内运行 LangChain 应用，可以跳过此步骤。

否则，您需要手动将 Databricks 工作区主机名和个人访问令牌设置为 DATABRICKS_HOST 和 DATABRICKS_TOKEN 环境变量。详见身份验证文档了解如何获取访问令牌。

os.environ["DATABRICKS_HOST"] = "https://your-databricks-workspace"
if "DATABRICKS_TOKEN" not in os.environ:
    os.environ["DATABRICKS_TOKEN"] = getpass.getpass(
        "Enter your Databricks access token: "
    )

安装

LangChain Databricks 集成位于 databricks-langchain package.

pip install -qU databricks-langchain

创建向量搜索端点和索引（如果尚未创建）

在本节中，我们将使用客户端 SDK 创建一个 Databricks 向量搜索端点和索引。

如果您已有端点和索引，可以跳过本节，直接进入"实例化"部分。

首先，实例化 Databricks 向量搜索客户端：

from databricks.vector_search.client import VectorSearchClient

client = VectorSearchClient()

接下来，我们将创建一个新的 VectorSearch 端点。

endpoint_name = "<your-endpoint-name>"

client.create_endpoint(name=endpoint_name, endpoint_type="STANDARD")

最后，我们将创建一个可以在端点上查询的索引。Databricks Vector Search 中有两种类型的索引， DatabricksVectorSearch 类支持两种用例。

* **Delta Sync 索引** 会自动与源 Delta 表同步，随着 Delta 表中底层数据的变化，自动增量更新索引。
* **Direct Vector Access 索引** 支持直接读取和写入向量及元数据。用户负责使用 REST API 或 Python SDK 更新此表。

对于 delta-sync 索引，您可以选择使用 Databricks 托管的嵌入或自管理的嵌入（通过 LangChain 嵌入类）。

以下代码创建了一个 **direct-access** 索引。请参阅 Databricks 文档了解创建其他类型索引的说明。

index_name = "<your-index-name>"  # Format: "<catalog>.<schema>.<index-name>"

index = client.create_direct_access_index(
    endpoint_name=endpoint_name,
    index_name=index_name,
    primary_key="id",
    # Dimension of the embeddings. Please change according to the embedding model you are using.
    embedding_dimension=3072,
    # A column to store the embedding vectors for the text data
    embedding_vector_column="text_vector",
    schema={
        "id": "string",
        "text": "string",
        "text_vector": "array<float>",
        # Optional metadata columns
        "source": "string",
    },
)

index.describe()

实例化

的实例化 DatabricksVectorSearch 根据索引使用 Databricks 托管的嵌入还是自管理的嵌入（即您选择的 LangChain 嵌入对象）而略有不同。

如果您使用的是带有 Databricks 托管嵌入的 delta-sync 索引：

from databricks_langchain import DatabricksVectorSearch

vector_store = DatabricksVectorSearch(
    endpoint=endpoint_name,
    index_name=index_name,
)

如果您使用的是直接访问索引或带有自管理嵌入的 delta-sync 索引，您还需要在源表中提供嵌入模型和文本列以供用于嵌入：

# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

vector_store = DatabricksVectorSearch(
    endpoint=endpoint_name,
    index_name=index_name,
    embedding=embeddings,
    # The column name in the index that contains the text data to be embedded
    text_column="document_content",
)

管理向量存储

向向量存储添加项目

注意：通过以下方式向向量存储添加项目 add_documents 方法仅支持 **direct-access** index.

from langchain_core.documents import Document

document_1 = Document(page_content="foo", metadata={"source": "https://example.com"})

document_2 = Document(page_content="bar", metadata={"source": "https://example.com"})

document_3 = Document(page_content="baz", metadata={"source": "https://example.com"})

documents = [document_1, document_2, document_3]

vector_store.add_documents(documents=documents, ids=["1", "2", "3"])

['1', '2', '3']

从向量存储删除项目

注意：通过以下方式从向量存储删除项目 delete 方法仅支持 **direct-access** index.

vector_store.delete(ids=["3"])

True

查询向量存储

创建向量存储并添加相关文档后，您很可能希望在链或代理运行期间对其进行查询。

直接查询

执行简单相似性搜索可以按如下方式进行：

results = vector_store.similarity_search(
    query="thud", k=1, filter={"source": "https://example.com"}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

* foo [{'id': '1'}]

注意：默认情况下，相似性搜索仅返回主键和文本列。如果要检索与文档关联的自定义元数据，请在初始化向量存储时传递额外的列 columns 参数。

vector_store = DatabricksVectorSearch(
    endpoint=endpoint_name,
    index_name=index_name,
    embedding=embeddings,
    text_column="text",
    columns=["source"],
)

results = vector_store.similarity_search(query="thud", k=1)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

* foo [{'source': 'https://example.com', 'id': '1'}]

如果想执行相似性搜索并获取相应分数，可以运行：

results = vector_store.similarity_search_with_score(
    query="thud", k=1, filter={"source": "https://example.com"}
)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")

* [SIM=0.414035] foo [{'source': 'https://example.com', 'id': '1'}]

转换为检索器后查询

您还可以将向量存储转换为检索器，以便在链中更方便地使用。

retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("thud")

[Document(metadata={'source': 'https://example.com', 'id': '1'}, page_content='foo')]

用于检索增强生成

有关将此向量存储用于检索增强生成（RAG）的指南，请参阅以下部分：

API 参考

有关 DatabricksVectorSearch 所有功能和配置的详细文档，请前往 API 参考.