CrateDB는 복잡한 쿼리에서도 거의 실시간으로 대량의 데이터를 저장하고 분석하기 위한 분산 및 확장 가능한 SQL 데이터베이스입니다. PostgreSQL과 호환되며, Lucene 기반이고 Elasticsearch에서 상속받았습니다.

​
Installation and Setup

​
CrateDB 설정

CrateDB를 빠르게 시작하는 두 가지 방법이 있습니다. 또는 다른 CrateDB installation options를 선택할 수 있습니다.

​
로컬 머신에서 CrateDB 시작

예시: Docker 또는 Podman을 사용하여 보안이 비활성화된 단일 노드 CrateDB 인스턴스를 실행합니다. 프로덕션 환경에서는 권장되지 않습니다. 
docker run --name=cratedb --rm \
  --publish=4200:4200 --publish=5432:5432 --env=CRATE_HEAP_SIZE=2g \
  crate:latest -Cdiscovery.type=single-node

​
CrateDB Cloud에 클러스터 배포

CrateDB Cloud는 관리형 CrateDB 서비스입니다. 무료 평가판에 가입하세요.

​
Client 설치

langchain-cratedb 패키지의 최신 버전과 이 튜토리얼에 필요한 몇 가지 다른 패키지를 설치합니다. 
pip install -U langchain-cratedb langchain-openai unstructured

​
Documentation

CrateDB wrapper에 대한 자세한 안내는 using LangChain with CrateDB를 참조하세요. CrateDB가 제공하는 다른 기능에 대해 알아보려면 all features of CrateDB도 참조하세요.

​
Features

LangChain용 CrateDB adapter는 CrateDB를 vector store, document loader, 그리고 chat message 저장소로 사용하기 위한 API를 제공합니다.

​
Vector Store

유사도 검색 및 기타 목적을 위해 FLOAT_VECTOR와 KNN_MATCH를 활용한 CrateDB vector store 기능을 사용합니다. CrateDBVectorStore Tutorial도 참조하세요. 유효한 OpenAI API key를 설정했는지 확인하세요. 
export OPENAI_API_KEY=sk-XJZ...

from langchain_community.document_loaders import UnstructuredURLLoader
from langchain_cratedb import CrateDBVectorStore
from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter

loader = UnstructuredURLLoader(urls=["https://github.com/langchain-ai/langchain/raw/refs/tags/langchain-core==0.3.28/docs/docs/how_to/state_of_the_union.txt"])
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

embeddings = OpenAIEmbeddings()

# Connect to a self-managed CrateDB instance on localhost.
CONNECTION_STRING = "crate://?schema=testdrive"

store = CrateDBVectorStore.from_documents(
    documents=docs,
    embedding=embeddings,
    collection_name="state_of_the_union",
    connection=CONNECTION_STRING,
)

query = "What did the president say about Ketanji Brown Jackson"
docs_with_score = store.similarity_search_with_score(query)

​
Document Loader

SQLAlchemy 기반의 document loader CrateDBLoader를 사용하여 CrateDB 데이터베이스 테이블에서 문서를 로드합니다. CrateDBLoader Tutorial도 참조하세요. 애플리케이션에서 document loader를 사용하려면: 
import sqlalchemy as sa
from langchain_community.utilities import SQLDatabase
from langchain_cratedb import CrateDBLoader

# Connect to a self-managed CrateDB instance on localhost.
CONNECTION_STRING = "crate://?schema=testdrive"

db = SQLDatabase(engine=sa.create_engine(CONNECTION_STRING))

loader = CrateDBLoader(
    'SELECT * FROM sys.summits LIMIT 42',
    db=db,
)
documents = loader.load()

​
Chat Message History

CrateDB를 chat message 저장소로 사용합니다. CrateDBChatMessageHistory Tutorial도 참조하세요. 애플리케이션에서 chat message history를 사용하려면: 
from langchain_cratedb import CrateDBChatMessageHistory

# Connect to a self-managed CrateDB instance on localhost.
CONNECTION_STRING = "crate://?schema=testdrive"

message_history = CrateDBChatMessageHistory(
    session_id="test-session",
    connection=CONNECTION_STRING,
)

message_history.add_user_message("hi!")

​
Full Cache

standard / full cache는 제공된 prompt가 이미 접한 것과 정확히 동일할 때 LLM 호출을 방지합니다. CrateDBCache Example도 참조하세요. 애플리케이션에서 full cache를 사용하려면: 
import sqlalchemy as sa
from langchain.globals import set_llm_cache
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_cratedb import CrateDBCache

# Configure cache.
engine = sa.create_engine("crate://crate@localhost:4200/?schema=testdrive")
set_llm_cache(CrateDBCache(engine))

# Invoke LLM conversation.
llm = ChatOpenAI(
    model_name="chatgpt-4o-latest",
    temperature=0.7,
)
print()
print("Asking with full cache:")
answer = llm.invoke("What is the answer to everything?")
print(answer.content)

​
Semantic Cache

semantic cache는 사용자 입력과 이전에 캐시된 입력 간의 의미적 유사성을 기반으로 캐시된 prompt를 검색할 수 있게 합니다. 또한 필요하지 않을 때 LLM 호출을 방지합니다. CrateDBSemanticCache Example도 참조하세요. 애플리케이션에서 semantic cache를 사용하려면: 
import sqlalchemy as sa
from langchain.globals import set_llm_cache
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_cratedb import CrateDBSemanticCache

# Configure embeddings.
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# Configure cache.
engine = sa.create_engine("crate://crate@localhost:4200/?schema=testdrive")
set_llm_cache(
    CrateDBSemanticCache(
        embedding=embeddings,
        connection=engine,
        search_threshold=1.0,
    )
)

# Invoke LLM conversation.
llm = ChatOpenAI(model_name="chatgpt-4o-latest")
print()
print("Asking with semantic cache:")
answer = llm.invoke("What is the answer to everything?")
print(answer.content)
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I