Vald는 확장성이 뛰어난 분산 고속 근사 최근접 이웃(ANN) 밀집 벡터 검색 엔진입니다.
이 노트북은 Vald 데이터베이스와 관련된 기능을 사용하는 방법을 보여줍니다. 이 노트북을 실행하려면 실행 중인 Vald 클러스터가 필요합니다. 자세한 내용은 Get Started를 확인하세요. 설치 지침을 참조하세요. 
pip install -qU  vald-client-python langchain-community

​
기본 예제

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Vald
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_text_splitters import CharacterTextSplitter

raw_documents = TextLoader("state_of_the_union.txt").load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
documents = text_splitter.split_documents(raw_documents)
model_name = "sentence-transformers/all-mpnet-base-v2"
embeddings = HuggingFaceEmbeddings(model_name=model_name)
db = Vald.from_documents(documents, embeddings, host="localhost", port=8080)

query = "What did the president say about Ketanji Brown Jackson"
docs = db.similarity_search(query)
docs[0].page_content

​
벡터로 유사도 검색

embedding_vector = embeddings.embed_query(query)
docs = db.similarity_search_by_vector(embedding_vector)
docs[0].page_content

​
점수와 함께 유사도 검색

docs_and_scores = db.similarity_search_with_score(query)
docs_and_scores[0]

​
Maximal Marginal Relevance Search (MMR)

retriever 객체에서 유사도 검색을 사용하는 것 외에도 mmr을 retriever로 사용할 수 있습니다. 
retriever = db.as_retriever(search_type="mmr")
retriever.invoke(query)
또는 max_marginal_relevance_search를 직접 사용할 수 있습니다: 
db.max_marginal_relevance_search(query, k=2, fetch_k=10)

​
보안 연결 사용 예제

이 노트북을 실행하려면 보안 연결이 설정된 Vald 클러스터를 실행해야 합니다. 다음은 Athenz 인증을 사용하는 다음 구성의 Vald 클러스터 예제입니다. ingress(TLS) -> authorization-proxy(grpc metadata에서 athenz-role-auth 확인) -> vald-lb-gateway 
import grpc

with open("test_root_cacert.crt", "rb") as root:
    credentials = grpc.ssl_channel_credentials(root_certificates=root.read())

# Refresh is required for server use
with open(".ztoken", "rb") as ztoken:
    token = ztoken.read().strip()

metadata = [(b"athenz-role-auth", token)]

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Vald
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_text_splitters import CharacterTextSplitter

raw_documents = TextLoader("state_of_the_union.txt").load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
documents = text_splitter.split_documents(raw_documents)
model_name = "sentence-transformers/all-mpnet-base-v2"
embeddings = HuggingFaceEmbeddings(model_name=model_name)

db = Vald.from_documents(
    documents,
    embeddings,
    host="localhost",
    port=443,
    grpc_use_secure=True,
    grpc_credentials=credentials,
    grpc_metadata=metadata,
)

query = "What did the president say about Ketanji Brown Jackson"
docs = db.similarity_search(query, grpc_metadata=metadata)
docs[0].page_content

​
벡터로 유사도 검색

embedding_vector = embeddings.embed_query(query)
docs = db.similarity_search_by_vector(embedding_vector, grpc_metadata=metadata)
docs[0].page_content

​
점수와 함께 유사도 검색

docs_and_scores = db.similarity_search_with_score(query, grpc_metadata=metadata)
docs_and_scores[0]

​
Maximal Marginal Relevance Search (MMR)

retriever = db.as_retriever(
    search_kwargs={"search_type": "mmr", "grpc_metadata": metadata}
)
retriever.invoke(query, grpc_metadata=metadata)
또는: 
db.max_marginal_relevance_search(query, k=2, fetch_k=10, grpc_metadata=metadata)
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I