LangChain의 MariaDB 통합(langchain-mariadb)은 MIT 라이선스로 배포되며, MariaDB 11.7.1 이상에서 작동하는 벡터 기능을 제공합니다. 제공된 구현을 그대로 사용할 수도 있고, 필요에 맞게 커스터마이즈할 수도 있습니다. 주요 기능은 다음과 같습니다:
  • 내장된 벡터 유사도 검색
  • cosine 및 euclidean 거리 메트릭 지원
  • 강력한 메타데이터 필터링 옵션
  • connection pooling을 통한 성능 최적화
  • 테이블 및 컬럼 설정 구성 가능

​
설정

다음으로 MariaDB Docker 컨테이너를 실행하세요: 
!docker run --name mariadb-container -e MARIADB_ROOT_PASSWORD=langchain -e MARIADB_DATABASE=langchain -p 3306:3306 -d mariadb:11.7

​
패키지 설치

이 패키지는 SQLAlchemy를 사용하지만, C/C++ 구성 요소가 필요한 MariaDB connector와 함께 사용할 때 가장 잘 작동합니다: 
# Debian, Ubuntu
!sudo apt install libmariadb3 libmariadb-dev

# CentOS, RHEL, Rocky Linux
!sudo yum install MariaDB-shared MariaDB-devel

# Install Python connector
!pip install -U mariadb
그런 다음 langchain-mariadb 패키지를 설치하세요 
pip install -U langchain-mariadb
VectorStore는 LLM 모델과 함께 동작하며, 여기서는 예제로 langchain-openai를 사용합니다. 
pip install langchain-openai
export OPENAI_API_KEY=...

​
초기화

from langchain_core.documents import Document
from langchain_mariadb import MariaDBStore
from langchain_openai import OpenAIEmbeddings

# connection string
url = f"mariadb+mariadbconnector://myuser:mypassword@localhost/langchain"

# Initialize vector store
vectorstore = MariaDBStore(
    embeddings=OpenAIEmbeddings(),
    embedding_length=1536,
    datasource=url,
    collection_name="my_docs",
)

​
벡터 스토어 관리

​
데이터 추가

메타데이터가 포함된 document 형태로 데이터를 추가할 수 있습니다: 
docs = [
    Document(
        page_content="there are cats in the pond",
        metadata={"id": 1, "location": "pond", "topic": "animals"},
    ),
    Document(
        page_content="ducks are also found in the pond",
        metadata={"id": 2, "location": "pond", "topic": "animals"},
    ),
    # More documents...
]
vectorstore.add_documents(docs)
또는 선택적 메타데이터와 함께 일반 텍스트로 추가할 수 있습니다: 
texts = [
    "a sculpture exhibit is also at the museum",
    "a new coffee shop opened on Main Street",
]
metadatas = [
    {"id": 6, "location": "museum", "topic": "art"},
    {"id": 7, "location": "Main Street", "topic": "food"},
]

vectorstore.add_texts(texts=texts, metadatas=metadatas)

​
벡터 스토어 쿼리

# Basic similarity search
results = vectorstore.similarity_search("Hello", k=2)

# Search with metadata filtering
results = vectorstore.similarity_search("Hello", filter={"category": "greeting"})

​
필터 옵션

시스템은 메타데이터에 대한 다양한 필터링 연산을 지원합니다:
  • 동등 비교: $eq
  • 비동등 비교: $ne
  • 비교: lt,lt, lte, gt,gt, gte
  • 리스트 연산: in,in, nin
  • 텍스트 매칭: like,like, nlike
  • 논리 연산: and,and, or, $not
예시: 
# Search with simple filter
results = vectorstore.similarity_search(
    "kitty", k=10, filter={"id": {"$in": [1, 5, 2, 9]}}
)

# Search with multiple conditions (AND)
results = vectorstore.similarity_search(
    "ducks",
    k=10,
    filter={"id": {"$in": [1, 5, 2, 9]}, "location": {"$in": ["pond", "market"]}},
)

​
retrieval-augmented generation(RAG)용 사용법

TODO: 예제 문서화

​
API 레퍼런스

자세한 내용은 여기에서 저장소를 확인하세요.
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I