​
Moorcheh

Moorcheh는 초고속 시맨틱 검색 엔진이자 vector store입니다. L2 또는 Cosine과 같은 단순 거리 기반 metric 대신, Moorcheh는 Maximally Informative Binarization (MIB)와 Information-Theoretic Score (ITS)를 사용하여 정확한 문서 청크를 검색합니다. 이 튜토리얼에서는 Moorcheh와 LangChain을 사용하여 텍스트 문서와 vector embedding을 업로드하고 저장하며, 모든 쿼리에 대해 관련 청크를 검색하는 방법을 설명합니다.

​
설정

먼저 필요한 패키지를 설치하세요: 
pip install langchain-moorcheh

​
초기화

Moorcheh 시작하기
  1. Moorcheh Console에서 회원가입하거나 로그인하세요.
  2. “API Keys” 탭으로 이동하여 API key를 생성하세요.
  3. 생성한 키를 환경 변수 MOORCHEH_API_KEY로 저장하세요(아래에서 사용합니다).
  4. 데이터를 저장할 namespace를 생성하려면:
    • 콘솔에서 “Namespaces” 탭을 열고 “Create namespace”를 클릭하거나,
    • 다음 섹션의 vector store 코드를 사용해 프로그래밍 방식으로 초기화하세요.
  5. API key를 사용하여 namespace를 생성하고, 문서를 업로드하며, 답변을 조회할 수 있습니다.
Moorcheh SDK function에 대한 더 자세한 내용은 GitHub repository를 참고하세요.

​
패키지 임포트

아래 패키지를 임포트하세요: 
from langchain_moorcheh import MoorchehVectorStore
from moorcheh_sdk import MoorchehClient

import logging
import os
from uuid import uuid4
import asyncio
from typing import Any, List, Optional, Literal, Tuple, Type, TypeVar, Sequence
from langchain_core.documents import Document
from langchain_core.embeddings import Embeddings
from langchain_core.vectorstores import VectorStore
from google.colab import userdata

​
코드 설정

환경 변수에 Moorcheh API Key를 설정하세요: 
MOORCHEH_API_KEY = os.environ['MOORCHEH_API_KEY']
namespace 이름과 타입을 설정하고 vector store를 생성하세요: 
namespace = "your_namespace_name"
namespace_type = "text" # or vector
store = MoorchehVectorStore(
            api_key=MOORCHEH_API_KEY,
            namespace=namespace,
            namespace_type=namespace_type
        )

​
문서 추가

document_1 = Document(
    page_content="Brewed a fresh cup of Ethiopian coffee and paired it with a warm croissant.",
    metadata={"source": "blog"},
)

document_2 = Document(
    page_content="Tomorrow's weather will be sunny with light winds, reaching a high of 78°F.",
    metadata={"source": "news"},
)

document_3 = Document(
    page_content="Experimenting with LangChain for an AI-powered note-taking assistant!",
    metadata={"source": "tweet"},
)

document_4 = Document(
    page_content="Local bakery donates 500 loaves of bread to the community food bank.",
    metadata={"source": "news"},
)

document_5 = Document(
    page_content="That concert last night was absolutely unforgettable—what a performance!",
    metadata={"source": "tweet"},
)

document_6 = Document(
    page_content="Check out our latest article: 5 ways to boost productivity while working from home.",
    metadata={"source": "website"},
)

document_7 = Document(
    page_content="The ultimate guide to mastering homemade pizza dough.",
    metadata={"source": "website"},
)

document_8 = Document(
    page_content="LangGraph just made multi-agent workflows way easier—seriously impressive!",
    metadata={"source": "tweet"},
)

document_9 = Document(
    page_content="Oil prices rose 3% today after unexpected supply cuts from major exporters.",
    metadata={"source": "news"},
)

document_10 = Document(
    page_content="I really hope this post doesn't vanish into the digital void…",
    metadata={"source": "tweet"},
)

documents = [
    document_1,
    document_2,
    document_3,
    document_4,
    document_5,
    document_6,
    document_7,
    document_8,
    document_9,
    document_10,
]

uuids = [str(uuid4()) for _ in range(len(documents))]

store.add_documents(documents=documents, ids=uuids)

​
문서 삭제

store.delete(ids=["chunk_id_here"])

​
쿼리 엔진

namespace를 생성하고 문서를 업로드한 후에는, vector store를 통해 문서에 대한 쿼리를 직접 실행할 수 있습니다. 원하는 쿼리와 해당 쿼리에 답할 LLM을 설정하세요. 지원되는 LLM에 대한 자세한 내용은 Github page를 방문하세요. 
query = "Give me a brief summary of the provided documents"
answer = store.generative_answer(query, ai_model = "anthropic.claude-3-7-sonnet-20250219-v1:0")
print(answer)

​
추가 자료

Moorcheh에 대해 더 알아보려면 아래 자료를 참고하세요:
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I