Upstash为开发者提供无服务器数据库和消息传递 平台，以构建强大的应用程序，而无需担心 在大规模运行数据库的操作复杂性。

Upstash的一个显著优势是他们的数据库支持HTTP，所有的SDK都使用HTTP。 这意味着您可以在无服务器平台、边缘或任何不支持TCP连接的平台上运行它。

目前，LangChain有两个Upstash集成可用： Upstash Vector作为向量嵌入数据库，Upstash Redis作为缓存和内存存储。

Upstash Vector

Upstash Vector是一个无服务器向量数据库，可用于存储和查询向量。

安装

在 Upstash 控制台 创建一个新的无服务器向量数据库。 根据您的模型选择首选的距离度量和维度数量。

使用 pip install upstash-vector 安装 Upstash Vector Python SDK。 LangChain 中的 Upstash Vector 集成是 Upstash Vector Python SDK 的一个封装。因此需要 upstash-vector 包。

集成

使用来自 Upstash 控制台的凭据创建一个 UpstashVectorStore 对象。 您还需要传入一个 Embeddings 对象，该对象可以将文本转换为向量嵌入。

from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
)

使用 UpstashVectorStore 的另一种方式是传递 embedding=True。这是一个独特的 UpstashVectorStore 的特性，得益于 Upstash 向量索引的能力 具有相关的嵌入模型。在这种配置中，我们想要插入的文档或 我们想要搜索的查询简单地作为文本发送到 Upstash Vector。在后台， Upstash Vector 将这些文本嵌入并使用这些嵌入执行请求。要使用此 功能，通过选择模型创建 Upstash Vector 索引 并简单地传递 embedding=True：

from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=True
)

请参阅 Upstash Vector 文档 以获取有关嵌入模型的更多详细信息。

命名空间

您可以使用命名空间在索引中对数据进行分区。当您想要查询大量数据并希望对数据进行分区以加快查询速度时，命名空间非常有用。当您使用命名空间时，结果不会进行后期过滤，这将使查询结果更加精确。

from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
    namespace="my_namespace"
)

插入向量

from langchain.text_splitter import CharacterTextSplitter
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings

loader = TextLoader("../../modules/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# Create a new embeddings object
embeddings = OpenAIEmbeddings()

# Create a new UpstashVectorStore object
store = UpstashVectorStore(
    embedding=embeddings
)

# Insert the document embeddings into the store
store.add_documents(docs)

在插入文档时，首先使用 Embeddings 对象对其进行嵌入。

大多数嵌入模型可以同时嵌入多个文档，因此文档会被批处理并并行嵌入。 批处理的大小可以使用 embedding_chunk_size 参数进行控制。

嵌入的向量随后存储在 Upstash 向量数据库中。当它们被发送时，多个向量会被批量处理以减少 HTTP 请求的数量。 批处理的大小可以使用 batch_size 参数进行控制。Upstash 向量在免费层中每批次限制为 1000 个向量。

store.add_documents(
    documents,
    batch_size=100,
    embedding_chunk_size=200
)

查询向量

可以使用文本查询或另一个向量来查询向量。

返回的值是 Document 对象的列表。

result = store.similarity_search(
    "The United States of America",
    k=5
)

或使用向量：

vector = embeddings.embed_query("Hello world")

result = store.similarity_search_by_vector(
    vector,
    k=5
)

在搜索时，您还可以利用 filter 参数，这将允许您按元数据进行过滤：

result = store.similarity_search(
    "The United States of America",
    k=5,
    filter="type = 'country'"
)

有关元数据过滤的更多详细信息，请参见 Upstash Vector 文档 。

删除向量

可以通过它们的 ID 删除向量。

store.delete(["id1", "id2"])

获取存储信息

您可以使用 info 函数获取有关您的数据库的信息，例如距离度量维度。

当插入发生时，数据库会进行索引。在此期间，无法查询新的向量。pendingVectorCount 表示当前正在被索引的向量数量。

info = store.info()
print(info)

# Output:
# {'vectorCount': 44, 'pendingVectorCount': 0, 'indexSize': 2642412, 'dimension': 1536, 'similarityFunction': 'COSINE'}

Upstash Redis

本页面介绍如何将 Upstash Redis 与 LangChain 一起使用。

安装和设置

• Upstash Redis Python SDK 可以通过 pip install upstash-redis 安装
• 可以在 Upstash 控制台 创建一个全球分布、低延迟和高可用性的数据库

集成

所有 Upstash-LangChain 集成都基于 upstash-redis Python SDK，作为 LangChain 的封装。 该 SDK 通过提供来自控制台的 UPSTASH_REDIS_REST_URL 和 UPSTASH_REDIS_REST_TOKEN 参数来利用 Upstash Redis 数据库。

缓存

Upstash Redis 可以用作 LLM 提示和响应的缓存。

要导入此缓存：

from langchain.cache import UpstashRedisCache

与您的大型语言模型一起使用：

import langchain
from upstash_redis import Redis

URL = "<UPSTASH_REDIS_REST_URL>"
TOKEN = "<UPSTASH_REDIS_REST_TOKEN>"

langchain.llm_cache = UpstashRedisCache(redis_=Redis(url=URL, token=TOKEN))

内存

查看使用示例。

from langchain_community.chat_message_histories import (
    UpstashRedisChatMessageHistory,
)