postgres를 백엔드로 사용하고 pgvector 확장을 활용하는 LangChain vectorstore 추상화의 구현입니다.
이 코드는 langchain-postgres라는 통합 패키지에 포함되어 있습니다.

​
상태

이 코드는 langchain-community에서 전용 패키지인 langchain-postgres로 이관되었습니다. 다음과 같은 변경 사항이 적용되었습니다:
  • langchain-postgres는 psycopg3에서만 동작합니다. 연결 문자열을 postgresql+psycopg2://...에서 postgresql+psycopg://langchain:langchain@...로 업데이트해 주세요(네, 드라이버 이름은 psycopg3가 아니라 psycopg이지만 내부적으로 psycopg3를 사용합니다).
  • 사용자 지정 ID로 add_documents가 올바르게 작동하도록 embedding store와 collection의 스키마가 변경되었습니다.
  • 이제 명시적인 connection 객체를 전달해야 합니다.
현재 스키마 변경에 따른 손쉬운 데이터 마이그레이션을 지원하는 메커니즘은 없습니다. 따라서 vectorstore의 스키마가 변경되면 사용자가 테이블을 다시 생성하고 문서를 다시 추가해야 합니다. 이 점이 우려된다면 다른 vectorstore 사용을 권장합니다. 그렇지 않다면, 이 구현은 귀하의 사용 사례에 적합할 것입니다.

​
설정

먼저 파트너 패키지를 다운로드하세요: 
pip install -qU langchain-postgres
다음 명령을 실행하여 pgvector 확장이 포함된 postgres 컨테이너를 띄울 수 있습니다: 
%docker run --name pgvector-container -e POSTGRES_USER=langchain -e POSTGRES_PASSWORD=langchain -e POSTGRES_DB=langchain -p 6024:5432 -d pgvector/pgvector:pg16

​
자격 증명

이 노트북을 실행하는 데는 별도의 자격 증명이 필요하지 않습니다. langchain-postgres 패키지를 다운로드하고 postgres 컨테이너를 올바르게 시작했는지 확인하세요. 모델 호출에 대한 최고 수준의 자동 추적을 원하신다면 아래의 주석을 해제하여 LangSmith API 키를 설정할 수도 있습니다: 
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

​
인스턴스화

# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

from langchain_postgres import PGVector

# See docker command above to launch a postgres instance with pgvector enabled.
connection = "postgresql+psycopg://langchain:langchain@localhost:6024/langchain"  # Uses psycopg3!
collection_name = "my_docs"

vector_store = PGVector(
    embeddings=embeddings,
    collection_name=collection_name,
    connection=connection,
    use_jsonb=True,
)

​
vector store 관리

​
vector store에 항목 추가

ID로 문서를 추가하면 해당 ID와 일치하는 기존 문서를 덮어씁니다. 
from langchain_core.documents import Document

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"},
    ),
    Document(
        page_content="fresh apples are available at the market",
        metadata={"id": 3, "location": "market", "topic": "food"},
    ),
    Document(
        page_content="the market also sells fresh oranges",
        metadata={"id": 4, "location": "market", "topic": "food"},
    ),
    Document(
        page_content="the new art exhibit is fascinating",
        metadata={"id": 5, "location": "museum", "topic": "art"},
    ),
    Document(
        page_content="a sculpture exhibit is also at the museum",
        metadata={"id": 6, "location": "museum", "topic": "art"},
    ),
    Document(
        page_content="a new coffee shop opened on Main Street",
        metadata={"id": 7, "location": "Main Street", "topic": "food"},
    ),
    Document(
        page_content="the book club meets at the library",
        metadata={"id": 8, "location": "library", "topic": "reading"},
    ),
    Document(
        page_content="the library hosts a weekly story time for kids",
        metadata={"id": 9, "location": "library", "topic": "reading"},
    ),
    Document(
        page_content="a cooking class for beginners is offered at the community center",
        metadata={"id": 10, "location": "community center", "topic": "classes"},
    ),
]

vector_store.add_documents(docs, ids=[doc.metadata["id"] for doc in docs])

[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

​
vector store에서 항목 삭제

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

​
vector store 쿼리

vector store가 생성되고 관련 문서가 추가되면, 체인이나 에이전트를 실행하는 동안 이를 쿼리하고자 할 가능성이 큽니다.

​
필터링 지원

vectorstore는 문서의 metadata 필드에 적용할 수 있는 일련의 필터를 지원합니다.
Operator의미/분류
$eq동등 (==)
$ne불일치 (!=)
$lt작다 (<)
$lte작거나 같음 (<=)
$gt크다 (>)
$gte크거나 같음 (>=)
$in특수 처리됨 (in)
$nin특수 처리됨 (not in)
$between특수 처리됨 (between)
$like텍스트 (like)
$ilike텍스트 (대소문자 구분 없음 like)
$and논리 (and)
$or논리 (or)

​
직접 쿼리

간단한 similarity search는 다음과 같이 수행할 수 있습니다: 
results = vector_store.similarity_search(
    "kitty", k=10, filter={"id": {"$in": [1, 5, 2, 9]}}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

* there are cats in the pond [{'id': 1, 'topic': 'animals', 'location': 'pond'}]
* the library hosts a weekly story time for kids [{'id': 9, 'topic': 'reading', 'location': 'library'}]
* ducks are also found in the pond [{'id': 2, 'topic': 'animals', 'location': 'pond'}]
* the new art exhibit is fascinating [{'id': 5, 'topic': 'art', 'location': 'museum'}]
여러 필드가 있는 dict를 제공하되 연산자를 지정하지 않으면, 최상위는 논리적 AND 필터로 해석됩니다. 
vector_store.similarity_search(
    "ducks",
    k=10,
    filter={"id": {"$in": [1, 5, 2, 9]}, "location": {"$in": ["pond", "market"]}},
)

[Document(metadata={'id': 1, 'topic': 'animals', 'location': 'pond'}, page_content='there are cats in the pond'),
 Document(metadata={'id': 2, 'topic': 'animals', 'location': 'pond'}, page_content='ducks are also found in the pond')]

vector_store.similarity_search(
    "ducks",
    k=10,
    filter={
        "$and": [
            {"id": {"$in": [1, 5, 2, 9]}},
            {"location": {"$in": ["pond", "market"]}},
        ]
    },
)

[Document(metadata={'id': 1, 'topic': 'animals', 'location': 'pond'}, page_content='there are cats in the pond'),
 Document(metadata={'id': 2, 'topic': 'animals', 'location': 'pond'}, page_content='ducks are also found in the pond')]
similarity search를 실행하고 해당 점수도 함께 받으려면 다음을 실행하세요: 
results = vector_store.similarity_search_with_score(query="cats", k=1)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")

* [SIM=0.763449] there are cats in the pond [{'id': 1, 'topic': 'animals', 'location': 'pond'}]
PGVector vector store에서 실행할 수 있는 다양한 검색의 전체 목록은 API 레퍼런스를 참조하세요.

​
retriever로 변환하여 쿼리하기

체인에서 더 쉽게 사용하기 위해 vector store를 retriever로 변환할 수도 있습니다. 
retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("kitty")

[Document(metadata={'id': 1, 'topic': 'animals', 'location': 'pond'}, page_content='there are cats in the pond')]

​
Retrieval-Augmented Generation 사용

이 vector store를 retrieval-augmented generation(RAG)에 사용하는 방법은 다음 섹션을 참고하세요:

​
API 레퍼런스

__ModuleName__VectorStore의 모든 기능과 설정에 대한 자세한 문서는 API 레퍼런스를 확인하세요: python.langchain.com/api_reference/postgres/vectorstores/langchain_postgres.vectorstores.PGVector.html
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I