编织教程：解锁矢量搜索的功能-人工智能-PHP中文网

编织教程：解锁矢量搜索的功能

Lisa Kudrow

发布： 2025-03-10 12:19:10

原创

542 人浏览过

>编织：您的开源矢量搜索引擎，用于非结构化数据

>编织是一种功能强大的开源矢量搜索引擎，旨在处理文本，图像和音频等非结构化数据。本教程将使用其直观的GraphQL接口来指导您完成其核心概念，设置，数据管理和查询。我们还将探索Python集成和最佳实践以获得最佳性能。

什么是编织？

>编织唯一将对象存储与矢量搜索结合在一起，从而实现了强大的基于相似性的查询。它的云本地和实时体系结构可确保可扩展性，而可选模块则符合各种数据类型（文本，图像等）。这种模块化允许根据您的特定需求进行自定义。>

了解嵌入和矢量数据库

传统数据库与非结构化数据斗争。编织通过利用嵌入 - 机器学习模型生成的非结构化数据的数值表示来解决此问题。这些嵌入可以进行有效的相似性比较，这对于语义搜索和问题答案等任务至关重要。与传统的关系数据库不同，矢量数据库已优化用于存储和查询这些向量表示。

>文本嵌入模型 - 图像源

Weaviate Tutorial: Unlocking the Power of Vector Search

图像源

Weaviate Tutorial: Unlocking the Power of Vector Search Pinecone提供了令人信服的替代方案；探索我们的“使用Pinecone的掌握矢量数据库”教程以获取更多详细信息。

设置Weaviate

通过Docker Compose（推荐）或手动安装轻松安装编织。安装后，使用简单查询验证功能。对于Docker组成：

其他部署选项包括编织的托管云服务和AWS市场。使用PIP安装Python客户端：

核心编织概念

docker compose up -d

登录后复制

> 数据对象： 数据项组织到“类”中，每个数据项都有定义的“属性”。每个对象由向量表示。
>模块：扩展了Weaviate的功能（矢量化，备份等）。核心引擎即使没有模块也可以充当矢量数据库。
存储：通过强大的故障处理提供实时，可靠的数据持久性。查询返回完整的数据对象，而不仅仅是ID。过滤发生在>向量搜索以获取精确结果计数之前。 graphQl：编织的主要接口，与休息相比，提供有效且灵活的数据访问。其基于图的性质在交叉引用的数据中脱颖而出。

图像源 Weaviate Tutorial: Unlocking the Power of Vector Search

创建类和对象

类定义数据的结构。您可以手动创建它们或使用Weaviate的Autoschema功能。这是手动类创建的python示例：

一个更全面的示例，包括矢量化和属性：

>对象被添加到类中。可以通过编织来明确提供或生成向量。

docker compose up -d

登录后复制

>端到端python示例

pip install -U weaviate-client

登录后复制

这个示例演示了创建类并使用Python客户端添加对象。请记住安装客户端（

class_name = "Item description"
class_object = {"class": class_name}
client.schema.create_class(class_object)

登录后复制

）并具有运行的编织实例（云或嵌入式）。

pip install -U weaviate-client

数据源（信用：编织官方）

{
  "class": "Article",
  "vectorizer": "text2vec-cohere",
  "vectorIndexConfig": {
    "distance": "cosine"
  },
  "moduleConfig": {
    "generative-openai": {}
  },
  "properties": [
    // ... property definitions ...
  ]
}

登录后复制

> Weaviate Tutorial: Unlocking the Power of Vector Search