垦荒学园
  • 中文

      • 向量库集成

      默认 VectorStoreIndex 把向量放在 内存 SimpleVectorStore 里，适合教程。生产需要：进程重启不丢、可并发、能过滤 metadata、可水平扩展。做法是安装对应集成包，构造官方的 *VectorStore，放进 StorageContext，再 from_documents。

      统一插头：

      pip install llama-index-vector-stores-<name>
→ 厂商客户端 + LlamaIndex 包装类
→ StorageContext.from_defaults(vector_store=...)
→ VectorStoreIndex.from_documents(..., storage_context=...)
→ 之后 VectorStoreIndex.from_vector_store(vector_store)

      集成清单：Using Vector Stores 与 Storing。构造函数参数以各 store 文档为准。

      Chroma（本地文件、上手最快）

      包名概念：llama-index-vector-stores-chroma（同时需要 chromadb）。

      import chromadb
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, StorageContext
from llama_index.vector_stores.chroma import ChromaVectorStore

documents = SimpleDirectoryReader("./data").load_data()
db = chromadb.PersistentClient(path="./chroma_db")
chroma_collection = db.get_or_create_collection("quickstart")
vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context)
query_engine = index.as_query_engine()
print(query_engine.query("What is the meaning of life?"))

      再次启动 不要 from_documents（会重复 embedding），改为：

      db = chromadb.PersistentClient(path="./chroma_db")
chroma_collection = db.get_or_create_collection("quickstart")
vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
index = VectorStoreIndex.from_vector_store(vector_store)

      适合单机、演示、中小语料。多副本写入同一目录前先看 Chroma 的并发说明。

      pgvector（PostgreSQL）

      包名概念：llama-index-vector-stores-postgres。数据库需启用 pgvector。Embedding 维度必须与模型一致（许多 OpenAI 模型是 1536；换模型就改 embed_dim 并重建表）。

      from llama_index.core import StorageContext, VectorStoreIndex
from llama_index.vector_stores.postgres import PGVectorStore

vector_store = PGVectorStore.from_params(
    database="vector_db",
    host="localhost",
    password="password",
    port=5432,
    user="postgres",
    table_name="handbook_chunks",
    embed_dim=1536,
    hnsw_kwargs={
        "hnsw_m": 16,
        "hnsw_ef_construction": 64,
        "hnsw_ef_search": 40,
        "hnsw_dist_method": "vector_cosine_ops",
    },
)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context)

      适合已有 Postgres、要和业务数据同库备份、用 SQL 做权限与审计。连接串、SSL、schema 名见 Postgres 集成页。本站 PostgreSQL 课管数据库本身，不管 LlamaIndex 包装类。

      Qdrant

      包名概念：llama-index-vector-stores-qdrant（另装 qdrant-client）。可本地路径、Docker，或 Qdrant Cloud。

      from qdrant_client import QdrantClient
from llama_index.core import StorageContext, VectorStoreIndex
from llama_index.vector_stores.qdrant import QdrantVectorStore

client = QdrantClient(url="http://localhost:6333")
# 本地嵌入式也可以：QdrantClient(path="./qdrant_storage")
vector_store = QdrantVectorStore(client=client, collection_name="handbook")
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context)

      Qdrant 同时存文档与向量，过滤与 hybrid 能力较强；enable_hybrid 等开关以当前集成文档为准。加载：VectorStoreIndex.from_vector_store(vector_store)。

      选型与注意

      需求倾向
      本机试跑、无运维Chroma PersistentClient
      已有 Postgres / 要 SQL 事务pgvector
      独立向量服务、过滤与 hybridQdrant（或官方列表里的 Pinecone、Weaviate 等）
      教程、单测默认 SimpleVectorStore + persist_dir

      同一 embedding 模型 贯穿写入与查询。换模型 = 新 collection / 新表 + 全量重建。外接向量库后，docstore 有时仍要 persist；若官方示例只 from_vector_store，说明该后端已存文本，按该页复制即可。

      不要把 API Key、数据库密码写进仓库。连接参数用环境变量。向量库不是权限系统：租户隔离靠 分 collection 或 metadata filter，并在应用层强制。

      下一步

      评论