> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# OracleVS 集成

> 使用 LangChain JavaScript 与 OracleVS 向量存储进行集成。

<Tip>
  **兼容性**：仅适用于 Node.js 环境。
</Tip>

Oracle AI 数据库支持通过**含义**（语义）而非仅关键词来查询数据的 AI 工作负载。它将**非结构化内容的语义搜索**与**业务数据的关系过滤**结合在单一系统中，因此您可以构建检索工作流（如 RAG），而无需引入单独的向量数据库或将数据分散在多个平台中。

本指南演示了如何使用 `OracleVS`（Oracle AI Vector Search 的 LangChain 向量存储集成）来：

* 将文档和嵌入向量导入 Oracle
* 执行相似性搜索
* 创建 HNSW 和 IVF 索引
* 应用元数据过滤器进行高级检索
* 在 Oracle AI Database 26ai 中启用混合搜索（关键词 + 语义）
* 使用 Oracle Text 执行全文搜索

## 概述

### 集成详情

| 类          | 包                                                                                        | 混合搜索 | Python 支持 |
| :--------- | :--------------------------------------------------------------------------------------- | :--: | :-------: |
| `OracleVS` | [`@oracle/langchain-oracledb`](https://www.npmjs.com/package/@oracle/langchain-oracledb) |   ✅  |     ✅     |

## 设置

安装 Oracle 客户端绑定和 LangChain Oracle 辅助工具：

<CodeGroup>
  ```bash npm theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  npm install @oracle/langchain-oracledb @langchain/core
  ```

  ```bash yarn theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  yarn add @oracle/langchain-oracledb @langchain/core
  ```

  ```bash pnpm theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pnpm add @oracle/langchain-oracledb @langchain/core
  ```
</CodeGroup>

设置将拥有向量表的 Oracle 用户的连接凭据：

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
export ORACLE_USER=testuser
export ORACLE_PASSWORD=testuser
export ORACLE_DSN="localhost:1521/free"
```

## 创建向量存储

以下示例假设您已创建包含向量和元数据列的表，并使用 [`OracleEmbeddings`](/oss/javascript/integrations/embeddings/oracleai) 生成了嵌入向量。

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import oracledb from "oracledb";
import { OracleEmbeddings, OracleVS } from "@oracle/langchain-oracledb";
import { Document } from "@langchain/core/documents";

const connection = await oracledb.getConnection({
  user: process.env.ORACLE_USER,
  password: process.env.ORACLE_PASSWORD,
  connectionString: process.env.ORACLE_DSN,
});

const embeddings = new OracleEmbeddings(connection, {
  provider: "database",
  model: "DEMO_MODEL",
});

const vectorStore = new OracleVS(embeddings, {
  client: connection,
  tableName: "DEMO_VECTORS",
  query: "查找关于 Oracle RAG 模式的文档。",
  distanceStrategy: "DOT",
});
await vectorStore.initialize();

const docs: Document[] = [
  {
    pageContent: "LangChain 与 Oracle 数据库配合良好。",
    metadata: {
      doc_id: "doc-1",
      title: "RAG 概述",
      status: "release",
      tags: ["AI", "rag"],
      category: "books",
      price: 18,
    },
  },
];

await vectorStore.addDocuments(docs);

// 在应用程序关闭钩子中关闭连接或连接池，避免资源泄漏。
// await connection.close();
```

如果您的应用程序已管理 Oracle 数据库连接池，可以直接将连接池传递给 `OracleVS`。存储会根据需要获取和释放连接。

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
const pool = await oracledb.createPool({
  user: process.env.ORACLE_USER,
  password: process.env.ORACLE_PASSWORD,
  connectString: process.env.ORACLE_DSN,
  poolIncrement: 1,
  poolMax: 4,
  poolMin: 0,
  poolPingInterval: 60,
});

const vectorStoreFromPool = new OracleVS(embeddings, {
  client: pool,
  tableName: "DEMO_VECTORS",
  query: "查找关于 Oracle RAG 模式的文档。",
  distanceStrategy: "DOT",
});
await vectorStoreFromPool.initialize();

// 在关闭时释放资源。
// await pool.close(0);
```

## 过滤搜索结果

您可以将丰富的元数据过滤器作为第三个参数传递给 `similaritySearch`、`similaritySearchWithScore` 或 `similaritySearchVectorWithScore`。过滤器作用于 Oracle VS 为每个文档维护的 JSON `metadata` 列。

支持的比较运算符包括 `$eq`（默认）、`$ne`、`$lt`、`$lte`、`$gt`、`$gte`、`$in`、`$nin`、`$between` 和 `$exists`。使用 `$and` 和 `$or` 组合子句以构建更具表达力的谓词。

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
const results = await vectorStore.similaritySearch("oracle rag", 3, {
  $and: [
    { status: "release" },
    { tags: { $in: ["AI"] } },
    { price: { $between: [10, 25] } },
  ],
});

// 或者同时请求文档和分数。
const scored = await vectorStore.similaritySearchWithScore(
  "oracle rag",
  3,
  { status: "release" },
);

console.log(results[0]?.pageContent);
console.log(scored[0]?.[1]); // 相似度分数
```

也支持嵌套的逻辑子句。例如：

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
const complexFilter = {
  $or: [
    { status: "draft" },
    {
      $and: [
        { category: "books" },
        { price: { $lte: 20 } },
      ],
    },
  ],
};
```

## 使用向量索引加速搜索

Oracle 数据库可以通过在 `embedding` 列上创建向量索引来加速相似性查询。`@oracle/langchain-oracledb` 辅助工具提供了一个 `createIndex` 实用程序，用于配置 HNSW（默认）或 IVF 索引。

### HNSW 索引（默认）

当您需要一个平衡召回率和延迟的基于图的索引时，使用 HNSW。省略 `idxType` 以使用默认配置，或覆盖参数如 `neighbors`、`efConstruction` 和 `accuracy`。

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { createIndex } from "@oracle/langchain-oracledb";

// 复用设置部分的 vectorStore 和 connection，
// 或使用 OracleVS.fromDocuments / initialize() 创建一个。
await createIndex(connection, vectorStore, {
  idxName: "demo_hnsw_idx",
  neighbors: 48,
  efConstruction: 400,
  accuracy: 95,
  parallel: 16,
});
```

### IVF 索引

通过传递 `idxType: "IVF"` 以及要创建的邻居分区数量来切换到 IVF。IVF 将向量分区到聚类中，适用于需要可预测内存使用的粗量化场景。

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { createIndex } from "@oracle/langchain-oracledb";

await createIndex(connection, vectorStore, {
  idxName: "demo_ivf_idx",
  idxType: "IVF",
  neighborPart: 64,
  accuracy: 90,
  parallel: 8,
});
```

在加载数据后（或 `initialize` 之后）运行一次 `createIndex`，并在后续搜索中复用该索引。要重建或切换策略，请通过标准 SQL（`DROP INDEX ...`）删除现有索引，并使用新参数重新运行 `createIndex`。

## 后续步骤

* 使用 [`OracleDocLoader`](/oss/javascript/integrations/document_loaders/file_loaders/oracleai) 加载内容
* 使用 [`OracleEmbeddings`](/oss/javascript/integrations/embeddings/oracleai) 生成嵌入向量
* 使用 [`OracleSummary`](/oss/javascript/integrations/tools/oracleai) 总结文档

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\javascript\integrations\vectorstores\oracleai.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>