文档首页/ 盘古大模型 PanguLargeModels/ 用户指南/ 盘古应用开发SDK/ Python/ 配置Memory(Python SDK)/ 配置Vector(Python SDK)
更新时间：2024-11-21 GMT+08:00
查看PDF
分享

配置Vector(Python SDK)

Embedding

Emebedding模块用于对Emebedding模型API的适配封装，提供统一的接口快速地调用CSS等模型emebedding能力。

  • 初始化：根据相应模型定义Emebedding类，如使用华为CSS Embedding为：Embeddings.of("css");。 
    from pangukitsappdev.api.embeddings.factory import Embeddings
# 初始化 Css Embedding
embedding_api = Embeddings.of("css")
  • embedding单文本：把单个字符串转换为向量数据。（向量维度由模型确定）。 
    text = "this is a test text."
# embed query.
embedding = embedding_api.embed_query(text)
print(embedding)
  • embedding批量文档：把文档批量转换为向量数据。 
    text = "this is a test text."
# embed documents.
embeddings = embedding_api.embed_documents([text])
print(embeddings)

Splitter

文档拆分解析，提供对文档数据进行拆分解析能力，支持pdf/doc/docx/ppt/pptx/xls/xlsx/png/jpg/jpeg/bmp/gif/tiff/webp/pcx/ico/psd等格式文档。

  • 初始化

    根据相应解析接口定义DocSplit类，以使用华为Pangu DocSplit为例。

    其中，filePath指的是需要解析的文档路径；mode为分割解析模式，具体定义如下：

    0 - 返回文档的原始段落，不做其他处理。

    1 - 根据标注的书签或目录分段，一般适合有层级标签的word文档。

    2 - 根据内容里的章节条分段，适合制度类文档。

    3 - 根据长度分段，默认按照500字拆分，会尽量保留完整句子。

    from pangukitsappdev.api.doc_split.factory import DocSplits
from pangukitsappdev.api.doc_split.split_config import SplitConfig
split_config = SplitConfig()
split_config.file_path='/data/xxx.docx'
split_api = DocSplits.of("pangu-doc", split_config)
  • 文档解析 
    doc_list = split_api.load()
for doc in doc_list:    
    print(doc.page_content)

向量库

向量库用于向量数据存储，提供向量数据检索能力。

  • 初始化，以使用华为CSS示例。 
    from pangukitsappdev.api.memory.vector.factory import Vectors
from pangukitsappdev.api.memory.vector.vector_config import VectorStoreConfig, ServerInfoCss
from pangukitsappdev.api.embeddings.factory import Embeddings
vector_store_config = VectorStoreConfig(store_name="css",
                                        index_name="your_index_name",
                                        embedding=Embeddings.of("css"),
                                        text_key="name",
                                        vector_fields=["description"],
                                        distance_strategy="inner_product",
                                        server_info=ServerInfoCss(env_prefix="sdk.memory.css"))
vector_api = Vectors.of("css", vector_store_config)
  • 数据入库 
    from pangukitsappdev.vectorstores.bulk_data import BulkData
bulk_list = [BulkData(id="1", data={"name": "名称name1", "description": "foo"}),
             BulkData(id="2", data={"name": "名称name2", "description": "bar"}),
             BulkData(id="3", data={"name": "名称name3", "description": "baz"})]
]
vector_api.add_docs(bulk_list)
  • 数据检索 
    docs = vector_api.similarity_search("bar", top_k=2)
  • 数据清理 
     vector_api.clear()
  • CSS插件模式（内部已集成Embedding， 支持多字段组合向量检索）。

    CSS插件模式，需要提前手工创建索引（因索引中需要指定embdding/rank模型，SDK不能简单自动创建）。

    CSS插件模式，不支持clear删除索引接口（索引外部创建，应由外部删除）。

     
vector_store_config = VectorStoreConfig(store_name="css",
                                        index_name="your_index_name",
                                        text_key="name",
                                        vector_fields=["name", "description"],
                                        server_info=ServerInfoCss(env_prefix="sdk.memory.css"))
vector_api = Vectors.of("css", vector_store_config)

# 检索
docs = vector_api.similarity_search("bar", top_k=2)

# 添加
bulk_list = [BulkData(id="1", data={"name": "名称name1", "description": "foo"}),
             BulkData(id="2", data={"name": "名称name2", "description": "bar"}),
             BulkData(id="3", data={"name": "名称name3", "description": "baz"})]
]
vector_api.add_docs(bulk_list)

    通过vectorStoreConfig判断使用CSS的插件模式和非插件模式。如果配置了embedding模型，则使用非插件模式，否则使用插件模式。注意，在非插件模式下，vectorFields有且只有1个。

相关文档