当前位置：首页 > wzjs >正文

做赌石网站客服的经验电商网站建设制作

wzjs 2025/7/29 14:29:34

做赌石网站客服的经验,电商网站建设制作,政府网站建设做法,学室内设计学费大概要多少钱?1. 带过滤的相似性搜索大多数向量数据库不仅可以存储向量数据，还支持存储相关元数据。这些元数据可以包括文本原文、扩展信息、页码、文档 ID、作者、创建时间等自定义信息，通常用于实现数据检索。向量数据库记录向量(vector)元数据(metadata)id遗…

1. 带过滤的相似性搜索

大多数向量数据库不仅可以存储向量数据，还支持存储相关元数据。这些元数据可以包括文本原文、扩展信息、页码、文档 ID、作者、创建时间等自定义信息，通常用于实现数据检索。

向量数据库记录 = 向量(vector)+元数据(metadata)+id

遗憾的是，Faiss 原生并不支持过滤功能，因此在 LangChain 封装的 FAISS 中对此进行了处理。首先，获取比所需结果数 k 更多的结果（默认为 20 条），然后在这些结果中进行初步搜索，接着对搜索得到的结果进行过滤，最终得到符合条件的 k 条结果，从而实现带过滤的相似性搜索。

Faiss 的搜索主要基于元数据进行。执行带过滤的相似性搜索非常简单，只需在搜索时传递 filter 参数即可。filter 可以是一个元数据字典，也可以是一个接收元数据字典作为参数并返回布尔值的函数。

例如，以下代码仅检索页码大于 5 的文档：

import dotenv
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddingsdotenv.load_dotenv()embedding = OpenAIEmbeddings(model="text-embedding-3-small")texts: list = ["笨笨是一只很喜欢睡觉的猫咪","我喜欢在夜晚听音乐，这让我感到放松。","猫咪在窗台上打盹，看起来非常可爱。","学习新技能是每个人都应该追求的目标。","我最喜欢的食物是意大利面，尤其是番茄酱的那种。","昨晚我做了一个奇怪的梦，梦见自己在太空飞行。","我的手机突然关机了，让我有些焦虑。","阅读是我每天都会做的事情，我觉得很充实。","他们一起计划了一次周末的野餐，希望天气能好。","我的狗喜欢追逐球，看起来非常开心。",
]
metadatas: list = [{"page": 1},{"page": 2},{"page": 3},{"page": 4},{"page": 5},{"page": 6},{"page": 7},{"page": 8},{"page": 9},{"page": 10},
]
db = FAISS.from_texts(texts, embedding, metadatas)print(db.index_to_docstore_id)
print(db.similarity_search_with_score("我养了一只猫，叫笨笨", filter=lambda x: x["page"] > 5))

输出结果：

{0: '452f290d-3afa-4989-a168-2d222a92093e', 1: '71bc9dcf-751c-4e65-9b61-5003c43c8474', 2: '66a7bc83-df40-4036-b7c3-1b747ca4ee98', 3: '829e5148-139b-4185-95c1-341681d6ca5a', 4: '24038a82-a083-4ec5-99cd-adaf81036f98', 5: 'b0f16e08-8cf3-4f08-87fb-d635604dee82', 6: '668e6593-5f2c-4f86-95ff-93cf679e05a7', 7: '9c6359ae-42c4-438e-bcf0-d35037c857e4', 8: '7f2c926e-d390-46f8-8485-6685c898bc45', 9: 'b347b82e-ec1a-4583-baa8-61d5f68e92a0'}
[(Document(page_content='我的狗喜欢追逐球，看起来非常开心。', metadata={'page': 10}), 1.3836973), (Document(page_content='我的手机突然关机了，让我有些焦虑。', metadata={'page': 7}), 1.5533546), (Document(page_content='阅读是我每天都会做的事情，我觉得很充实。', metadata={'page': 8}), 1.5989475), (Document(page_content='他们一起计划了一次周末的野餐，希望天气能好。', metadata={'page': 9}), 1.7179501)]

2. 资料推荐

💡大模型中转API推荐
✨中转使用教程

3. 删除指定数据

在 Faiss 中，支持删除向量数据库中特定的数据，目前仅支持传入数据条目 id 进行删除，并不支持条件筛选（但是可以通过条件筛选找到符合的数据，然后提取 id 列表，然后批量删除）。
代码示例：

print("删除前数量:", db.index.ntotal)
# 获取向量数据库的索引id列表信息
db.delete([db.index_to_docstore_id[0]])
print("删除后数量:", db.index.ntotal)

输出结果：

删除前数量: 10
删除后数量: 9

4 保存和加载本地数据

除了从文本和文档列表中加载数据到向量数据库，Faiss 还支持将整个数据库持久化到本地文件，亦或者从本地文件一键加载数据，这样就不需要在每次使用向量数据库的时候重新创建，可以极大提升向量数据库的使用效率，两个方法如下：

资料推荐

💡大模型中转API推荐
✨中转使用教程
save_local()：将向量数据库持久化到本地，传递 folder_path 和 index 分别代表文件夹路径与索引名字。
load_local()：将本地的数据加载到向量数据库，传递 folder_path、embeddings 和 index 分别代表文件夹路径、嵌入模型、索引名字。

代码示例：

db.save_local("./vector-store/")
new_db = FAISS.load_local("./vector-store/", embedding, allow_dangerous_deserialization=True)
docs = new_db.similarity_search("我养了一只猫，叫笨笨")

输出结果：

[Document(page_content='笨笨是一只很喜欢睡觉的猫咪', metadata={'page': 1}), Document(page_content='猫咪在窗台上打盹，看起来非常可爱。', metadata={'page': 3}), Document(page_content='我的狗喜欢追逐球，看起来非常开心。', metadata={'page': 10}), Document(page_content='我的手机突然关机了，让我有些焦虑。', metadata={'page': 7})]