> ## 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.

# OpenGauss VectorStore 集成

> 使用 LangChain Python 与 OpenGauss VectorStore 集成。

本笔记本介绍如何开始使用 openGauss VectorStore。[openGauss](https://opengauss.org/en/) 是一个具有原生向量存储和检索能力的高性能关系型数据库。此集成使 LangChain 应用程序中的 ACID 合规向量操作成为可能，结合了传统 SQL 功能与现代 AI 驱动的相似性搜索。
向量存储。

## 设置

### 启动 openGauss 容器

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
docker run --name opengauss \
  -d \
  -e GS_PASSWORD='MyStrongPass@123' \
  -p 8888:5432 \
  opengauss/opengauss-server:latest
```

### 安装 langchain-opengauss

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
pip install langchain-opengauss
```

**系统要求**:

* openGauss ≥ 7.0.0
* Python ≥ 3.8
* psycopg2-binary

### 凭据

使用您的 openGauss 凭据

## 初始化

<EmbeddingTabs />

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_opengauss import OpenGauss, OpenGaussSettings

# Configure with schema validation
config = OpenGaussSettings(
    table_name="test_langchain",
    embedding_dimension=384,
    index_type="HNSW",
    distance_strategy="COSINE",
)
vector_store = OpenGauss(embedding=embeddings, config=config)
```

## 管理向量存储

### 向向量存储添加项

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_core.documents import Document

document_1 = Document(page_content="foo", metadata={"source": "https://example.com"})

document_2 = Document(page_content="bar", metadata={"source": "https://example.com"})

document_3 = Document(page_content="baz", metadata={"source": "https://example.com"})

documents = [document_1, document_2, document_3]

vector_store.add_documents(documents=documents, ids=["1", "2", "3"])
```

### 更新向量存储中的项

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
updated_document = Document(
    page_content="qux", metadata={"source": "https://another-example.com"}
)

# If the id is already exist, will update the document
vector_store.add_documents(document_id="1", document=updated_document)
```

### 从向量存储删除项

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
vector_store.delete(ids=["3"])
```

## 查询向量存储

一旦创建好向量存储并添加了相关文档，您很可能希望在运行链或代理期间对其进行查询。

### 直接查询

执行简单的相似性搜索可以如下进行：

* TODO: 编辑然后运行代码单元格以生成输出

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
results = vector_store.similarity_search(
    query="thud", k=1, filter={"source": "https://another-example.com"}
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")
```

如果您想执行相似性搜索并接收相应的分数，可以运行：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
results = vector_store.similarity_search_with_score(
    query="thud", k=1, filter={"source": "https://example.com"}
)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")
```

### 转换为检索器进行查询

您也可以将向量存储转换为检索器，以便在链中更轻松地使用。

* TODO: 编辑然后运行代码单元格以生成输出

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("thud")
```

## 用于检索增强生成的用法

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：

* [教程](/oss/python/langchain/rag)
* [方法：使用 RAG 问答](https://python.langchain.com/docs/how_to/#qa-with-rag)
* [检索概念文档](https://python.langchain.com/docs/concepts/retrieval/)

## 配置

### 连接设置

| Parameter             | Default                 | Description                                                                                                                          |
| --------------------- | ----------------------- | ------------------------------------------------------------------------------------------------------------------------------------ |
| `host`                | localhost               | 数据库服务器地址                                                                                                                             |
| `port`                | 8888                    | 数据库连接端口                                                                                                                              |
| `user`                | gaussdb                 | 数据库用户名                                                                                                                               |
| `password`            | -                       | 复杂密码字符串                                                                                                                              |
| `database`            | postgres                | 默认数据库名称                                                                                                                              |
| `min_connections`     | 1                       | 连接池最小大小                                                                                                                              |
| `max_connections`     | 5                       | 连接池最大大小                                                                                                                              |
| `table_name`          | langchain\_docs         | 用于存储向量数据和元数据的表名                                                                                                                      |
| `index_type`          | IndexType.HNSW          | Vector 索引算法类型。选项：HNSW 或 IVFFLAT\n默认是 HNSW。                                                                                           |
| `vector_type`         | VectorType.vector       | Type 的向量表示类型。默认是 Vector。                                                                                                             |
| `distance_strategy`   | DistanceStrategy.COSINE | Vector 相似度指标。选项：euclidean (L2 距离), cosine (角距离，适用于文本嵌入), manhattan (稀疏数据的 L1 距离), negative\_inner\_product (归一化向量的点积).\n 默认是 cosine。 |
| `embedding_dimension` | 1536                    | 向量嵌入的维度。                                                                                                                             |

### 支持的组合

| Vector Type | Dimensions | Index Types  | Supported Distance Strategies          |
| ----------- | ---------- | ------------ | -------------------------------------- |
| vector      | ≤2000      | HNSW/IVFFLAT | COSINE/EUCLIDEAN/MANHATTAN/INNER\_PROD |

## 性能优化

### 索引调整指南

**HNSW 参数**:

* `m`: 16-100（召回率和内存之间的平衡）
* `ef_construction`: 64-1000（必须 > 2\*m）

**IVFFLAT 建议**:

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import math

lists = min(
    int(math.sqrt(total_rows)) if total_rows > 1e6 else int(total_rows / 1000),
    2000,  # openGauss maximum
)
```

### 连接池

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
OpenGaussSettings(min_connections=3, max_connections=20)
```

## 限制

* `bit` 和 `sparsevec` 向量类型目前正在开发中
* 最大向量维度：`vector` 类型为 2000

***

***

<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\python\integrations\vectorstores\opengauss.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>