openai-redis-vectorstore 0.1.1

基于RedisStack向量数据库，集成embeddings和rerank模型，支持二阶段召回，支持添加和删除等管理功能。

openai-redis-vectorstore

基于RedisStack向量数据库，集成embeddings和rerank模型，支持二阶段召回，支持添加和删除等管理功能。

安装

pip install openai-redis-vectorstore

依赖说明

• 使用python-environment-settings管理配置项。详见该项目的参考文档。
• 深度依赖于openai-simple-embeddings和openai-simple-rerank。同时也依赖于两者的配置项。详见这两个项目的参考文档。

配置项说明

• REDIS_STACK_URL: redis-stack服务器地址。如：redis://localhost:6379/0
  • 有资料提到要使用redis-stack向量功能，必须是0号库（未测试）
  • （配置项别名）
  • REDIS_URL
  • REDIS

使用

将文本插入到向量数据库

代码：

from openai_redis_vectorstore.base import RedisVectorStore

index_name = str(uuid.uuid4())
rvs = RedisVectorStore()
uid = rvs.insert("hello", meta={"id": 1}, index_name=index_name)

说明：

• id=1表示内容在业务系统中的唯一码。
• uid表示内容在向量数据库中的唯一码。可以根据uid唯一码，从向量数据库中删除相应内容。

搜索向量数据库

代码：

from openai_redis_vectorstore.base import RedisVectorStore

index_name1 = str(uuid.uuid4())
index_name2 = str(uuid.uuid4())
rvs = RedisVectorStore()

# 向1号逻辑库中插入3条数据
rvs.insert_many(
    ["开会了", "再见", "你好"],
    metas=[
        {"id": 1},
        {"id": 2},
        {"id": 3},
    ],
    index_name=index_name1,
)

# 向2号逻辑库中插入3条数据
rvs.insert_many(
    ["开会去", "好的", "谢谢"],
    metas=[
        {"id": 1},
        {"id": 2},
        {"id": 3},
    ],
    index_name=index_name2,
)

# 从1号和2号逻辑库中搜索关键词并汇总
# 并要求匹配度不低于指定阈值
docs = rvs.similarity_search_and_rerank(
    query="开会",
    index_names=[index_name1, index_name2],
    embeddings_score_threshold=0.65,
    rerank_score_threshold=0.85,
)
assert len(docs) == 2
doc1 = docs[0]
doc2 = docs[1]
assert doc1.vs_index_name in [index_name1, index_name2]
assert doc2.vs_index_name in [index_name1, index_name2]
assert doc1.vs_rerank_score > doc2.vs_rerank_score

版本记录

v0.1.0

• 版本首发。

v0.1.1

• 修改：搜索一个空向量库时，只在日志中记录WARNING信息并返回空数组。