`langchain_mongodb.cache`.MongoDBAtlasSemanticCache¶

class langchain_mongodb.cache.MongoDBAtlasSemanticCache(connection_string: str, embedding: Embeddings, collection_name: str = 'default', database_name: str = 'default', index_name: str = 'default', wait_until_ready: bool = False, score_threshold: Optional[float] = None, **kwargs: Dict[str, Any])[source]¶

MongoDB Atlas 语义缓存。

由 MongoDB Atlas 服务器支持的，具有向量存储功能的缓存

初始化 Atlas VectorSearch 缓存。假定集合在实例化之前已存在

参数

connection_string (str) – 用于连接 MongoDB Atlas 集群的 MongoDB URI。
embedding (Embeddings) – 要使用的文本嵌入模型。
collection_name (str) – 要将文本添加到其中的 MongoDB 集合。默认为 “default”。
database_name (str) – 存储文本的 MongoDB 数据库。默认为 “default”。
index_name (str) – Atlas Search 索引的名称。默认为 ‘default’
wait_until_ready (bool) – 阻塞直到 MongoDB Atlas 完成存储文本的索引。硬超时为 10 秒。默认为 False。
score_threshold (Optional[float]) –
kwargs (Dict[str, Any]) –

属性

`LLM`
`RETURN_VAL`
`embeddings`	如果可用，访问查询嵌入对象。

方法

`__init__`(connection_string, embedding[, ...])	初始化 Atlas VectorSearch 缓存。
`aadd_documents`(documents, **kwargs)	异步运行更多文档通过嵌入并添加到向量存储。
`aadd_texts`(texts[, metadatas])	异步运行更多文本通过嵌入并添加到向量存储。
`aclear`(**kwargs)	异步清除可以接受其他关键字参数的缓存。
`add_documents`(documents[, ids, batch_size])	将文档添加到向量存储。
`add_texts`(texts[, metadatas, ids])	添加文本，创建嵌入，并添加到集合和索引。
`adelete`([ids])	按向量 ID 或其他条件删除。
`afrom_documents`(documents, embedding, **kwargs)	异步返回从文档和嵌入初始化的 VectorStore。
`afrom_texts`(texts, embedding[, metadatas])	异步返回从文本和嵌入初始化的 VectorStore。
`aget_by_ids`(ids, /)	异步按 ID 获取文档。
`alookup`(prompt, llm_string)	异步基于提示和 llm_string 查找。
`amax_marginal_relevance_search`(query[, k, ...])	异步返回使用最大边际相关性选择的文档。
`amax_marginal_relevance_search_by_vector`(...)	返回使用最大边际相关性选择的文档。
`as_retriever`(**kwargs)	返回从这个 VectorStore 初始化的 VectorStoreRetriever。
`asearch`(query, search_type, **kwargs)	异步返回与查询最相似的文档，使用指定的搜索类型。
`asimilarity_search`(query[, k])	异步返回与查询最相似的文档。
`asimilarity_search_by_vector`(embedding[, k])	异步返回与嵌入向量最相似的文档。
`asimilarity_search_with_relevance_scores`(query)	异步返回文档和相关性得分，范围在 [0, 1] 内。
`asimilarity_search_with_score`(args, *kwargs)	异步运行带距离的相似性搜索。
`astreaming_upsert`(items, /, batch_size, **kwargs)
`aupdate`(prompt, llm_string, return_val)	异步基于提示和 llm_string 更新缓存。
`aupsert`(items, /, **kwargs)
`bulk_embed_and_insert_texts`(texts, metadatas)	批量插入单批文本、嵌入，以及可选的 ID。
`clear`(**kwargs)	清除可以接受其他关键字参数的缓存。
`create_vector_search_index`(dimensions[, ...])	为 VectorStore 创建 MongoDB Atlas vectorSearch 索引
`delete`([ids])	从 VectorStore 中按 ID 删除文档。
`from_connection_string`(connection_string, ...)	从 MongoDB 连接 URI 构建 `MongoDB Atlas Vector Search` 向量存储。
`from_documents`(documents, embedding, **kwargs)	返回从文档和嵌入初始化的 VectorStore。
`from_texts`(texts, embedding[, metadatas, ...])	从原始文档构建 `MongoDB Atlas Vector Search` 向量存储。
`get_by_ids`(ids, /)	按 ID 获取文档。
`lookup`(prompt, llm_string)	基于提示和 llm_string 查找。
`max_marginal_relevance_search`(query[, k, ...])	返回使用最大边际相关性选择的文档。
`max_marginal_relevance_search_by_vector`(...)	返回使用最大边际相关性选择的文档。
`search`(query, search_type, **kwargs)	返回与查询最相似的文档，使用指定的搜索类型。
`similarity_search`(query[, k, pre_filter, ...])	返回与给定查询最相似的 MongoDB 文档。
`similarity_search_by_vector`(embedding[, k])	返回与嵌入向量最相似的文档。
`similarity_search_with_relevance_scores`(query)	返回文档和相关性得分，范围在 [0, 1] 内。
`similarity_search_with_score`(query[, k, ...])	返回与给定查询最相似的 MongoDB 文档及其得分。
`streaming_upsert`(items, /, batch_size, **kwargs)
`update`(prompt, llm_string, return_val[, ...])	基于提示和 llm_string 更新缓存。
`upsert`(items, /, **kwargs)

__init__(connection_string: str, embedding: Embeddings, collection_name: str = 'default', database_name: str = 'default', index_name: str = 'default', wait_until_ready: bool = False, score_threshold: Optional[float] = None, **kwargs: Dict[str, Any])[source]¶

初始化 Atlas VectorSearch 缓存。假定集合在实例化之前已存在

参数

connection_string (str) – 用于连接 MongoDB Atlas 集群的 MongoDB URI。
embedding (Embeddings) – 要使用的文本嵌入模型。
collection_name (str) – 要将文本添加到其中的 MongoDB 集合。默认为 “default”。
database_name (str) – 存储文本的 MongoDB 数据库。默认为 “default”。
index_name (str) – Atlas Search 索引的名称。默认为 ‘default’
wait_until_ready (bool) – 阻塞直到 MongoDB Atlas 完成存储文本的索引。硬超时为 10 秒。默认为 False。
score_threshold (Optional[float]) –
kwargs (Dict[str, Any]) –

async aadd_documents(documents: List[Document], **kwargs: Any) → List[str]¶

异步运行更多文档通过嵌入并添加到向量存储。

参数

documents (List[Document]) – 要添加到向量存储的文档。
kwargs (Any) – 额外的关键字参数。

返回

添加文本的 ID 列表。

抛出

ValueError – 如果 ID 数量与文档数量不匹配。

返回类型

List[str]

async aadd_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, **kwargs: Any) → List[str]¶

异步运行更多文本通过嵌入并添加到向量存储。

参数

texts (Iterable[str]) – 要添加到向量存储的字符串的可迭代对象。
metadatas (Optional[List[dict]]) – 与文本关联的可选元数据列表。默认为 None。
**kwargs (Any) – 向量存储特定的参数。

返回

将文本添加到向量存储后生成的 ID 列表。

抛出

ValueError – 如果元数据数量与文本数量不匹配。
ValueError – 如果 ID 数量与文本数量不匹配。

返回类型

List[str]

async aclear(**kwargs: Any) → None¶

异步清除可以接受其他关键字参数的缓存。

参数: kwargs (Any) –
返回类型: None

add_documents(documents: List[Document], ids: Optional[List]] = None, batch_size: int = 100000, **kwargs: Any) → List[str]¶

将文档添加到向量存储。

参数

documents (List[Document]) – 要添加到向量存储的文档。
ids (Optional[List[str]]) – 将用作 VectorStore 索引的唯一 ID 的可选列表。请参阅 add_texts 中关于 ID 的注释。
batch_size (int) – 每次插入的文档数量。调整此参数可能有助于提高性能并规避 MongoDB 限制。
kwargs (Any) –

返回

添加文本的 ID 列表。

返回类型

List[str]

add_texts(texts: Iterable[str], metadatas: Optional[List[Dict[str, Any]]] = None, ids: Optional[List]] = None, **kwargs: Any) → List[str]¶

添加文本，创建嵌入，并添加到集合和索引。

关于 ID 的重要说明

如果 _id 或 id 是元数据字典中的键，则必须
弹出它们并作为单独的列表提供。
它们必须是唯一的。
如果未提供，VectorStore 将创建唯一的 ID，
在内部存储为 bson.ObjectIds，在 Langchain 中存储为字符串。这些 ID 将以键 ‘_id’ 出现在 Document.metadata 中。

参数

texts (Iterable[str]) – 要添加到向量存储的字符串的可迭代对象。
metadatas (Optional[List[Dict[str, Any]]]) – 与文本关联的可选元数据列表。
ids (Optional[List[str]]) – 将用作 VectorStore 索引的唯一 ID 的可选列表。请参阅关于 ID 的注释。
kwargs (Any) –

返回

添加到向量存储的 ID 列表。

返回类型

List[str]

async adelete(ids: Optional[List]] = None, **kwargs: Any) → Optional[bool]¶

按向量 ID 或其他条件删除。

参数

ids (Optional[List[str]]) – 要删除的 ID 列表。
**kwargs (Any) – 子类可能使用的其他关键字参数。

返回

如果删除成功，则为 True，否则为 False；如果未实现，则为 None。

返回类型

Optional[bool]

async classmethod afrom_documents(documents: List[Document], embedding: Embeddings, **kwargs: Any) → VST¶

异步返回从文档和嵌入初始化的 VectorStore。

参数

documents (List[Document]) – 要添加到向量存储的文档列表。
embedding (Embeddings) – 要使用的嵌入函数。
kwargs (Any) – 额外的关键字参数。

返回

从文档和嵌入初始化的 VectorStore。

返回类型

VectorStore

async classmethod afrom_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, **kwargs: Any) → VST¶

异步返回从文本和嵌入初始化的 VectorStore。

参数

texts (List[str]) – 要添加到向量存储的文本列表。
embedding (Embeddings) – 要使用的嵌入函数。
metadatas (Optional[List[dict]]) – 与文本关联的可选元数据列表。默认为 None。
kwargs (Any) – 额外的关键字参数。

返回

从文本和嵌入初始化的 VectorStore。

返回类型

VectorStore

async aget_by_ids(ids: Sequence[str], /) → List[Document]¶

异步按 ID 获取文档。

返回的文档应将 ID 字段设置为向量存储中文档的 ID。

如果某些 ID 未找到或存在重复 ID，则返回的文档可能少于请求的文档。

用户不应假定返回文档的顺序与输入 ID 的顺序匹配。相反，用户应依赖返回文档的 ID 字段。

如果对于某些 ID 没有找到文档，此方法**不应**引发异常。

参数: ids (Sequence[str]) – 要检索的 ID 列表。
返回: 文档列表。
返回类型: List[Document]

0.2.11 版本新增。

async alookup(prompt: str, llm_string: str) → Optional[Sequence[Generation]]¶

异步基于提示和 llm_string 查找。

缓存实现应从 prompt 和 llm_string 的 2 元组生成键（例如，通过使用分隔符连接它们）。

参数

prompt (str) – prompt 的字符串表示形式。在 Chat 模型的情况下，prompt 是将 prompt 非平凡地序列化为语言模型。
llm_string (str) – LLM 配置的字符串表示形式。这用于捕获 LLM 的调用参数（例如，模型名称、温度、停止令牌、最大令牌数等）。这些调用参数被序列化为字符串表示形式。

返回

在缓存未命中时，返回 None。在缓存命中时，返回缓存值。缓存值是 Generations（或子类）的列表。

返回类型

Optional[Sequence[Generation]]

async amax_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) → List[Document]¶

异步返回使用最大边际相关性选择的文档。

最大边际相关性优化查询的相似性和所选文档之间的多样性。

参数

query (str) – 用于查找相似文档的文本。
k (int) – 要返回的文档数量。默认为 4。
fetch_k (int) – 要获取并传递给 MMR 算法的文档数量。默认为 20。
lambda_mult (float) – 介于 0 和 1 之间的数字，用于确定结果之间多样性的程度，其中 0 对应于最大多样性，1 对应于最小多样性。默认为 0.5。
kwargs (Any) –

返回

通过最大边际相关性选择的文档列表。

返回类型

List[Document]

async amax_marginal_relevance_search_by_vector(embedding: List[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) → List[Document]¶

返回使用最大边际相关性选择的文档。

参数

embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
kwargs (Any) –

返回类型

List[Document]

as_retriever(**kwargs: Any) → VectorStoreRetriever¶

返回从这个 VectorStore 初始化的 VectorStoreRetriever。

参数

**kwargs (Any) –

要传递给搜索函数的关键字参数。可以包括：search_type (Optional[str]): 定义 Retriever 应执行的搜索类型。

可以是 “similarity”（默认）、“mmr” 或 “similarity_score_threshold”。

search_kwargs (Optional[Dict]): 要传递给搜索函数的关键字参数。可以包括诸如：

搜索函数。可以包括诸如

k: 要返回的文档数量（默认值：4） score_threshold: 相似度评分阈值的最小相关性阈值

用于 similarity_score_threshold

fetch_k: 要传递给 MMR 算法的文档数量: （默认值：20）
lambda_mult: MMR 返回结果的多样性；: 1 表示最小多样性，0 表示最大多样性。（默认值：0.5）

filter: 按文档元数据筛选

返回

VectorStore 的 Retriever 类。

返回类型

VectorStoreRetriever

示例

# Retrieve more documents with higher diversity
# Useful if your dataset has many similar documents
docsearch.as_retriever(
    search_type="mmr",
    search_kwargs={'k': 6, 'lambda_mult': 0.25}
)

# Fetch more documents for the MMR algorithm to consider
# But only return the top 5
docsearch.as_retriever(
    search_type="mmr",
    search_kwargs={'k': 5, 'fetch_k': 50}
)

# Only retrieve documents that have a relevance score
# Above a certain threshold
docsearch.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={'score_threshold': 0.8}
)

# Only get the single most similar document from the dataset
docsearch.as_retriever(search_kwargs={'k': 1})

# Use a filter to only retrieve documents from a specific paper
docsearch.as_retriever(
    search_kwargs={'filter': {'paper_title':'GPT-4 Technical Report'}}
)

async asearch(query: str, search_type: str, **kwargs: Any) → List[Document]¶

异步返回与查询最相似的文档，使用指定的搜索类型。

参数

query (str) – 输入文本。
search_type (str) – 要执行的搜索类型。可以是 “similarity”、“mmr” 或 “similarity_score_threshold”。
**kwargs (Any) – 要传递给搜索方法的参数。

返回

与查询最相似的文档列表。

抛出

ValueError – 如果 search_type 不是 “similarity”、“mmr” 或 “similarity_score_threshold” 之一。

返回类型

List[Document]

async asimilarity_search(query: str, k: int = 4, **kwargs: Any) → List[Document]¶

异步返回与查询最相似的文档。

参数

query (str) – 输入文本。
k (int) – 要返回的文档数量。默认为 4。
**kwargs (Any) – 要传递给搜索方法的参数。

返回

与查询最相似的文档列表。

返回类型

List[Document]

async asimilarity_search_by_vector(embedding: List[float], k: int = 4, **kwargs: Any) → List[Document]¶

异步返回与嵌入向量最相似的文档。

参数

embedding (List[float]) – 用于查找相似文档的嵌入。
k (int) – 要返回的文档数量。默认为 4。
**kwargs (Any) – 要传递给搜索方法的参数。

返回

与查询向量最相似的文档列表。

返回类型

List[Document]

async asimilarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) → List[Tuple[Document, float]]¶

异步返回文档和相关性得分，范围在 [0, 1] 内。

0 表示不相似，1 表示最相似。

参数

query (str) – 输入文本。
k (int) – 要返回的文档数量。默认为 4。
**kwargs (Any) –
要传递给相似度搜索的 kwargs。应包括：score_threshold: 可选，介于 0 到 1 之间的浮点值，用于

筛选检索到的文档结果集

返回

(doc, similarity_score) 元组的列表

返回类型

List[Tuple[Document, float]]

async asimilarity_search_with_score(*args: Any, **kwargs: Any) → List[Tuple[Document, float]]¶

异步运行带距离的相似性搜索。

参数

*args (Any) – 要传递给搜索方法的参数。
**kwargs (Any) – 要传递给搜索方法的参数。

返回

(doc, similarity_score) 元组的列表。

返回类型

List[Tuple[Document, float]]

astreaming_upsert(items: AsyncIterable[Document], /, batch_size: int, **kwargs: Any) → AsyncIterator[UpsertResponse]¶

Beta

在 0.2.11 版本中添加。API 可能会发生变化。

以流式方式更新文档。streaming_upsert 的异步版本。

参数

items (AsyncIterable[Document]) – 要添加到向量存储的文档的迭代器。
batch_size (int) – 每次批量更新的大小。
kwargs (Any) – 附加关键字参数。kwargs 应仅包含所有文档通用的参数。（例如，索引超时、重试策略等）kwargs 不应包含 ids 以避免语义不明确。相反，ID 应作为 Document 对象的一部分提供。

Yields

UpsertResponse – 响应对象，其中包含已成功在向量存储中添加或更新的 ID 列表，以及未能添加或更新的 ID 列表。

返回类型

AsyncIterator[UpsertResponse]

0.2.11 版本新增。

async aupdate(prompt: str, llm_string: str, return_val: Sequence[Generation]) → None¶

异步基于提示和 llm_string 更新缓存。

prompt 和 llm_string 用于生成缓存的键。该键应与查找方法的键匹配。

参数

prompt (str) – prompt 的字符串表示形式。在 Chat 模型的情况下，prompt 是将 prompt 非平凡地序列化为语言模型。
llm_string (str) – LLM 配置的字符串表示形式。这用于捕获 LLM 的调用参数（例如，模型名称、温度、停止令牌、最大令牌数等）。这些调用参数被序列化为字符串表示形式。
return_val (Sequence[Generation]) – 要缓存的值。该值是 Generations（或子类）的列表。

返回类型

None

async aupsert(items: Sequence[Document], /, **kwargs: Any) → UpsertResponse¶

Beta

在 0.2.11 版本中添加。API 可能会发生变化。

在向量存储中添加或更新文档。upsert 的异步版本。

如果提供了 Document 对象的 ID 字段，则 upsert 功能应使用该字段。如果未提供 ID，则 upsert 方法可以自由地为文档生成 ID。

当指定了 ID 并且文档已存在于向量存储中时，upsert 方法应使用新数据更新文档。如果文档不存在，则 upsert 方法应将文档添加到向量存储中。

参数

items (Sequence[Document]) – 要添加到向量存储的文档序列。
kwargs (Any) – 额外的关键字参数。

返回

响应对象，其中包含已成功在向量存储中添加或更新的 ID 列表，以及未能添加或更新的 ID 列表。

返回类型

UpsertResponse

0.2.11 版本新增。

bulk_embed_and_insert_texts(texts: Union[List[str], Iterable[str]], metadatas: Union[List[dict], Generator[dict, Any, Any]], ids: Optional[List[str]] = None) → List[str]¶

批量插入单批文本、嵌入，以及可选的 ID。

有关其他详细信息，请参阅 add_texts。

参数

texts (Union[List[str], Iterable[str]]) –
metadatas (Union[List[dict], Generator[dict, Any, Any]]) –
ids (Optional[List[str]]) –

返回类型

List[str]

clear(**kwargs: Any) → None[source]¶

清除可以接受其他关键字参数的缓存。任何其他参数都将作为过滤条件传播，以确定要删除的内容。它将删除任何本地缓存的内容，无论如何

例如：: # 仅删除 llm_string 为 “fake-model” 的条目 self.clear(llm_string=”fake-model”)

参数: kwargs (Any) –
返回类型: None

create_vector_search_index(dimensions: int, filters: Optional[List[Dict[str, str]]] = None, update: bool = False) → None¶

为 VectorStore 创建 MongoDB Atlas vectorSearch 索引

注意**：此方法可能会失败，因为它需要满足以下先决条件的 MongoDB Atlas

M10 集群或更高版本

https://mongodb.ac.cn/docs/atlas/atlas-vector-search/create-index/#prerequisites

参数

dimensions (int) – 嵌入中的维度数
filters (Optional[List[Dict[str, str]]], optional) – 附加过滤器
definition. (for index) – 默认为 None。
update (bool, optional) – 更新现有的 vectorSearch 索引。默认为 False。

返回类型

None

delete(ids: Optional[List[str]] = None, **kwargs: Any) → Optional[bool]¶

从 VectorStore 中按 ID 删除文档。

参数

ids (Optional[List[str]]) – 要删除的 ID 列表。
**kwargs (Any) – 传递给 Collection.delete_many() 的其他关键字参数

返回

如果删除成功，则为 True，否则为 False；如果未实现，则为 None。

返回类型

Optional[bool]

classmethod from_connection_string(connection_string: str, namespace: str, embedding: Embeddings, **kwargs: Any) → MongoDBAtlasVectorSearch¶

从 MongoDB 连接 URI 构建 `MongoDB Atlas Vector Search` 向量存储。

参数

connection_string (str) – 有效的 MongoDB 连接 URI。
namespace (str) – 有效的 MongoDB 命名空间（数据库和集合）。
embedding (Embeddings) – 用于向量存储的文本嵌入模型。
kwargs (Any) –

返回

一个新的 MongoDBAtlasVectorSearch 实例。

返回类型

MongoDBAtlasVectorSearch

classmethod from_documents(documents: List[Document], embedding: Embeddings, **kwargs: Any) → VST¶

返回从文档和嵌入初始化的 VectorStore。

参数

documents (List[Document]) – 要添加到向量存储的文档列表。
embedding (Embeddings) – 要使用的嵌入函数。
kwargs (Any) – 额外的关键字参数。

返回

从文档和嵌入初始化的 VectorStore。

返回类型

VectorStore

classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[Dict]] = None, collection: Optional[Collection[MongoDBDocumentType]] = None, ids: Optional[List[str]] = None, **kwargs: Any) → MongoDBAtlasVectorSearch¶

从原始文档构建 `MongoDB Atlas Vector Search` 向量存储。

这是一个用户友好的界面，它

嵌入文档。
将文档添加到提供的 MongoDB Atlas Vector Search 索引
（Lucene）

旨在快速入门。

示例

参数

texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[Dict]]) –
collection (Optional[Collection[MongoDBDocumentType]]) –
ids (Optional[List[str]]) –
kwargs (Any) –

返回类型

MongoDBAtlasVectorSearch

get_by_ids(ids: Sequence[str], /) → List[Document]¶

按 ID 获取文档。

返回的文档应将 ID 字段设置为向量存储中文档的 ID。

如果某些 ID 未找到或存在重复 ID，则返回的文档可能少于请求的文档。

用户不应假定返回文档的顺序与输入 ID 的顺序匹配。相反，用户应依赖返回文档的 ID 字段。

如果对于某些 ID 没有找到文档，此方法**不应**引发异常。

参数: ids (Sequence[str]) – 要检索的 ID 列表。
返回: 文档列表。
返回类型: List[Document]

0.2.11 版本新增。

lookup(prompt: str, llm_string: str) → Optional[Sequence[Generation]][source]¶

基于提示和 llm_string 查找。

参数

prompt (str) –
llm_string (str) –

返回类型

Optional[Sequence[Generation]]

max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, pre_filter: Optional[Dict] = None, post_filter_pipeline: Optional[List[Dict]] = None, **kwargs: Any) → List[Document]¶

返回使用最大边际相关性选择的文档。

最大边际相关性优化查询的相似性和所选文档之间的多样性。

参数

query (str) – 用于查找相似文档的文本。
k (int) – （可选）要返回的文档数量。默认为 4。
fetch_k (int) – （可选）传递给 MMR 算法之前要获取的文档数量。默认为 20。
lambda_mult (float) – 介于 0 和 1 之间的数字，用于确定结果之间多样性的程度，其中 0 对应于最大多样性，1 对应于最小多样性。默认为 0.5。
pre_filter (Optional[Dict]) – （可选）用于预过滤文档字段的参数字典。
post_filter_pipeline (Optional[List[Dict]]) – （可选）向量搜索阶段之后的 MongoDB 聚合阶段管道。
kwargs (Any) –

返回

通过最大边际相关性选择的文档列表。

返回类型

List[Document]

max_marginal_relevance_search_by_vector(embedding: List[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, pre_filter: Optional[Dict] = None, post_filter_pipeline: Optional[List[Dict]] = None, **kwargs: Any) → List[Document]¶

返回使用最大边际相关性选择的文档。

最大边际相关性优化查询的相似性和所选文档之间的多样性。

参数

embedding (List[float]) – 用于查找相似文档的嵌入。
k (int) – 要返回的文档数量。默认为 4。
fetch_k (int) – 要获取并传递给 MMR 算法的文档数量。
lambda_mult (float) – 介于 0 和 1 之间的数字，用于确定结果之间多样性的程度，其中 0 对应于最大多样性，1 对应于最小多样性。默认为 0.5。
pre_filter (Optional[Dict]) – （可选）用于预过滤文档字段的参数字典。
post_filter_pipeline (Optional[List[Dict]]) – （可选）向量搜索阶段之后的 MongoDB 聚合阶段管道。
kwargs (Any) –

返回

通过最大边际相关性选择的文档列表。

返回类型

List[Document]

search(query: str, search_type: str, **kwargs: Any) → List[Document]¶

返回与查询最相似的文档，使用指定的搜索类型。

参数

query (str) – 输入文本
search_type (str) – 要执行的搜索类型。可以是 “similarity”、“mmr” 或 “similarity_score_threshold”。
**kwargs (Any) – 要传递给搜索方法的参数。

返回

与查询最相似的文档列表。

抛出

ValueError – 如果 search_type 不是 “similarity”、“mmr” 或 “similarity_score_threshold” 之一。

返回类型

List[Document]

similarity_search(query: str, k: int = 4, pre_filter: Optional[Dict] = None, post_filter_pipeline: Optional[List[Dict]] = None, **kwargs: Any) → List[Document]¶

返回与给定查询最相似的 MongoDB 文档。

使用 MongoDB Atlas Search 中提供的 vectorSearch 运算符。更多信息请参阅：https://mongodb.ac.cn/docs/atlas/atlas-vector-search/vector-search-stage/

参数

query (str) – 用于查找相似文档的文本。
k (int) – （可选）要返回的文档数量。默认为 4。
pre_filter (Optional[Dict]) – （可选）用于预过滤文档字段的参数字典。
post_filter_pipeline (Optional[List[Dict]]) – （可选）向量搜索阶段之后的 MongoDB 聚合阶段管道。
kwargs (Any) –

返回

与查询最相似的文档列表及其分数。

返回类型

List[Document]

similarity_search_by_vector(embedding: List[float], k: int = 4, **kwargs: Any) → List[Document]¶

返回与嵌入向量最相似的文档。

参数

embedding (List[float]) – 用于查找相似文档的嵌入。
k (int) – 要返回的文档数量。默认为 4。
**kwargs (Any) – 要传递给搜索方法的参数。

返回

与查询向量最相似的文档列表。

返回类型

List[Document]

similarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) → List[Tuple[Document, float]]¶

返回文档和相关性得分，范围在 [0, 1] 内。

0 表示不相似，1 表示最相似。

参数

query (str) – 输入文本。
k (int) – 要返回的文档数量。默认为 4。
**kwargs (Any) –
要传递给相似度搜索的 kwargs。应包括：score_threshold: 可选，介于 0 到 1 之间的浮点值，用于

过滤检索到的文档结果集。

返回

(doc, similarity_score) 元组的列表。

返回类型

List[Tuple[Document, float]]

similarity_search_with_score(query: str, k: int = 4, pre_filter: Optional[Dict] = None, post_filter_pipeline: Optional[List[Dict]] = None, **kwargs: Any) → List[Tuple[Document, float]]¶

返回与给定查询最相似的 MongoDB 文档及其得分。

使用 MongoDB Atlas Search 中提供的 vectorSearch 运算符。更多信息请参阅：https://mongodb.ac.cn/docs/atlas/atlas-vector-search/vector-search-stage/

参数

query (str) – 用于查找相似文档的文本。
k (int) – （可选）要返回的文档数量。默认为 4。
pre_filter (Optional[Dict]) – （可选）用于预过滤文档字段的参数字典。
post_filter_pipeline (Optional[List[Dict]]) – （可选）向量搜索阶段之后的 MongoDB 聚合阶段管道。
kwargs (Any) –

返回

与查询最相似的文档列表及其分数。

返回类型

List[Tuple[Document, float]]

streaming_upsert(items: Iterable[Document], /, batch_size: int, **kwargs: Any) → Iterator[UpsertResponse]¶

Beta

在 0.2.11 版本中添加。API 可能会发生变化。

以流式方式进行文档的更新插入。

参数

items (Iterable[Document]) – 要添加到向量存储的可迭代文档。
batch_size (int) – 每次批量更新的大小。
kwargs (Any) – 附加关键字参数。kwargs 应仅包含所有文档通用的参数。（例如，索引超时、重试策略等）kwargs 不应包含 ids，以避免语义不明确。相反，ID 应作为 Document 对象的一部分提供。

Yields

UpsertResponse – 响应对象，其中包含已成功在向量存储中添加或更新的 ID 列表，以及未能添加或更新的 ID 列表。

返回类型

Iterator[UpsertResponse]

0.2.11 版本新增。

update(prompt: str, llm_string: str, return_val: Sequence[Generation], wait_until_ready: Optional[bool] = None) → None[source]¶

基于提示和 llm_string 更新缓存。

参数

prompt (str) –
llm_string (str) –
return_val (Sequence[Generation]) –
wait_until_ready (Optional[bool]) –

返回类型

None

upsert(items: Sequence[Document], /, **kwargs: Any) → UpsertResponse¶

Beta

在 0.2.11 版本中添加。API 可能会发生变化。

在向量存储中添加或更新文档。

如果提供了 Document 对象的 ID 字段，则 upsert 功能应使用该字段。如果未提供 ID，则 upsert 方法可以自由地为文档生成 ID。

当指定了 ID 并且文档已存在于向量存储中时，upsert 方法应使用新数据更新文档。如果文档不存在，则 upsert 方法应将文档添加到向量存储中。

参数

items (Sequence[Document]) – 要添加到向量存储的文档序列。
kwargs (Any) – 额外的关键字参数。

返回

响应对象，其中包含已成功在向量存储中添加或更新的 ID 列表，以及未能添加或更新的 ID 列表。

返回类型

UpsertResponse

0.2.11 版本新增。

langchain_mongodb.cache.MongoDBAtlasSemanticCache¶

`langchain_mongodb.cache`.MongoDBAtlasSemanticCache¶