이 노트북은 Oceanbase vector store를 시작하는 방법을 다룹니다.

​
Setup

Oceanbase vector store에 액세스하려면 독립 실행형 OceanBase 서버를 배포해야 합니다: %docker run —name=ob433 -e MODE=mini -e OB_SERVER_IP=127.0.0.1 -p 2881:2881 -d quay.io/oceanbase/oceanbase-ce:4.3.3.1-101000012024102216 그리고 langchain-oceanbase integration package를 설치합니다. pip install -qU “langchain-oceanbase” OceanBase에 대한 연결을 확인하고 vector 데이터의 메모리 사용 비율을 설정합니다: 
from pyobvector import ObVecClient

tmp_client = ObVecClient()
tmp_client.perform_raw_text_sql("ALTER SYSTEM ob_vector_memory_limit_percentage = 30")

<sqlalchemy.engine.cursor.CursorResult at 0x12696f2a0>

​
Initialization

embedding model의 API key를 구성합니다. 여기서는 DashScopeEmbeddings를 예시로 사용합니다. 위에서 설명한 대로 Docker image로 Oceanbase를 배포할 때는 아래 스크립트를 따라 host, port, user, password, database name을 설정하면 됩니다. 다른 배포 방법의 경우 실제 상황에 따라 이러한 매개변수를 설정하세요. pip install dashscope 
import os

from langchain_community.embeddings import DashScopeEmbeddings
from langchain_oceanbase.vectorstores import OceanbaseVectorStore

DASHSCOPE_API = os.environ.get("DASHSCOPE_API_KEY", "")
connection_args = {
    "host": "127.0.0.1",
    "port": "2881",
    "user": "root@test",
    "password": "",
    "db_name": "test",
}

embeddings = DashScopeEmbeddings(
    model="text-embedding-v1", dashscope_api_key=DASHSCOPE_API
)

vector_store = OceanbaseVectorStore(
    embedding_function=embeddings,
    table_name="langchain_vector",
    connection_args=connection_args,
    vidx_metric_type="l2",
    drop_old=True,
)

​
Manage vector store

​
Add items to vector store

  • TODO: Edit and then run code cell to generate output
from langchain_core.documents import Document

document_1 = Document(page_content="foo", metadata={"source": "https://foo.com"})
document_2 = Document(page_content="bar", metadata={"source": "https://bar.com"})
document_3 = Document(page_content="baz", metadata={"source": "https://baz.com"})

documents = [document_1, document_2, document_3]

vector_store.add_documents(documents=documents, ids=["1", "2", "3"])

['1', '2', '3']

​
Update items in vector store

updated_document = Document(
    page_content="qux", metadata={"source": "https://another-example.com"}
)

vector_store.add_documents(documents=[updated_document], ids=["1"])

['1']

​
Delete items from vector store

vector_store.delete(ids=["3"])

​
Query vector store

vector store가 생성되고 관련 문서가 추가되면 chain이나 agent를 실행하는 동안 쿼리하고 싶을 것입니다.

​
Query directly

간단한 유사도 검색은 다음과 같이 수행할 수 있습니다: 
results = vector_store.similarity_search(
    query="thud", k=1, filter={"source": "https://another-example.com"}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

* bar [{'source': 'https://bar.com'}]
유사도 검색을 실행하고 해당 점수를 받으려면 다음을 실행할 수 있습니다: 
results = vector_store.similarity_search_with_score(
    query="thud", k=1, filter={"source": "https://example.com"}
)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")

* [SIM=133.452299] bar [{'source': 'https://bar.com'}]

​
Query by turning into retriever

chain에서 더 쉽게 사용하기 위해 vector store를 retriever로 변환할 수도 있습니다. 
retriever = vector_store.as_retriever(search_kwargs={"k": 1})
retriever.invoke("thud")

[Document(metadata={'source': 'https://bar.com'}, page_content='bar')]

​
Usage for retrieval-augmented generation

이 vector store를 retrieval-augmented generation (RAG)에 사용하는 방법에 대한 가이드는 다음 섹션을 참조하세요:

​
API reference

모든 OceanbaseVectorStore 기능 및 구성에 대한 자세한 문서는 API reference를 참조하세요: python.langchain.com/docs/integrations/vectorstores/oceanbase
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I