TurbopufferVectorStore 集成

使用 LangChain JavaScript 集成 TurbopufferVectorStore。

turbopuffer 是一个快速、高性价比的向量数据库，用于搜索和检索。

本指南将帮助你开始使用 turbopuffer 向量存储。有关所有 TurbopufferVectorStore 功能和配置的详细文档，请参阅 API 参考。

概述

集成详情

类	包	Python 支持	下载量	版本
TurbopufferVectorStore	@langchain/turbopuffer	✅

设置

注册 turbopuffer 账户，创建 API 密钥，并安装 @langchain/turbopuffer，官方的 @turbopuffer/turbopuffer 客户端，@langchain/core，以及一个嵌入提供者（本指南使用 OpenAI 嵌入）。

npm

npm install @langchain/turbopuffer @turbopuffer/turbopuffer @langchain/core @langchain/openai

凭证

将你的 API 密钥设置为环境变量：

process.env.TURBOPUFFER_API_KEY = "your-api-key";

可选地设置一个 区域（例如 gcp-us-central1）。

实例化

创建一个 turbopuffer 客户端和命名空间，然后将命名空间传递给 TurbopufferVectorStore：

import { OpenAIEmbeddings } from "@langchain/openai";
import { TurbopufferVectorStore } from "@langchain/turbopuffer";
import { Turbopuffer } from "@turbopuffer/turbopuffer";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const client = new Turbopuffer({
  apiKey: process.env.TURBOPUFFER_API_KEY,
  region: "gcp-us-central1",
});

const vectorStore = new TurbopufferVectorStore(embeddings, {
  namespace: client.namespace("my-namespace"),
});

管理向量存储

向向量存储添加项

目前仅支持字符串元数据值。

import type { Document } from "@langchain/core/documents";

const createdAt = new Date().getTime();

const ids = await vectorStore.addDocuments([
  {
    pageContent: "some content",
    metadata: { created_at: createdAt.toString() },
  },
  { pageContent: "hi", metadata: { created_at: (createdAt + 1).toString() } },
  { pageContent: "bye", metadata: { created_at: (createdAt + 2).toString() } },
  {
    pageContent: "what's this",
    metadata: { created_at: (createdAt + 3).toString() },
  },
]);

从向量存储删除项

await vectorStore.delete({ ids: [ids[ids.length - 1]] });

查询向量存储

直接查询

const results = await vectorStore.similaritySearch("hello", 1);

for (const doc of results) {
  console.log(doc.pageContent, doc.metadata);
}

使用 turbopuffer 过滤表达式按元数据过滤。有关支持的运算符，请参阅 turbopuffer 过滤文档。

const results2 = await vectorStore.similaritySearch("hello", 1, [
  "created_at",
  "Eq",
  (createdAt + 3).toString(),
]);

for (const doc of results2) {
  console.log(doc.pageContent, doc.metadata);
}

使用现有 ID 执行 Upsert

await vectorStore.addDocuments(
  [
    { pageContent: "changed", metadata: { created_at: createdAt.toString() } },
    {
      pageContent: "hi changed",
      metadata: { created_at: (createdAt + 1).toString() },
    },
    {
      pageContent: "bye changed",
      metadata: { created_at: (createdAt + 2).toString() },
    },
    {
      pageContent: "what's this changed",
      metadata: { created_at: (createdAt + 3).toString() },
    },
  ],
  { ids }
);

删除命名空间中的所有向量

await vectorStore.delete({ deleteAll: true });

用于检索增强生成的使用方式

有关如何使用此向量存储进行检索增强生成（RAG）的指南，请参阅以下部分：

• 使用 LangChain 构建 RAG 应用。
• 智能体 RAG
• 检索文档

---

API 参考

有关所有 TurbopufferVectorStore 功能和配置的详细文档，请前往 API 参考。

---

官方原文：src/oss/javascript/integrations/vectorstores/turbopuffer.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。