`langchain_community.vectorstores.tencentvectordb`.TencentVectorDB¶

class langchain_community.vectorstores.tencentvectordb.TencentVectorDB(embedding: ~langchain_core.embeddings.embeddings.Embeddings, connection_params: ~langchain_community.vectorstores.tencentvectordb.ConnectionParams, index_params: ~langchain_community.vectorstores.tencentvectordb.IndexParams = <langchain_community.vectorstores.tencentvectordb.IndexParams object>, database_name: str = 'LangChainDatabase', collection_name: str = 'LangChainCollection', drop_old: ~typing.Optional[bool] = False, collection_description: ~typing.Optional[str] = 'Collection for LangChain', meta_fields: ~typing.Optional[~typing.List[~langchain_community.vectorstores.tencentvectordb.MetaField]] = None, t_vdb_embedding: ~typing.Optional[str] = 'bge-base-zh')[source]¶

腾讯向量DB作为向量存储。

要使用此功能，您需要一个数据库实例。有关详细信息，请参阅以下文档：https://cloud.tencent.com/document/product/1709/94951

属性

`embeddings`	如果有，访问查询嵌入对象。
`field_id`
`field_metadata`
`field_text`
`field_vector`

方法

`__init__`(embedding, connection_params[, ...])
`aadd_documents`(documents, **kwargs)	异步通过嵌入运行更多文档并添加到向量存储中。
`aadd_texts`(texts[, metadatas])	异步通过嵌入运行更多文本并添加到向量存储中。
`add_documents`(documents, **kwargs)	向向量存储中添加或更新文档。
`add_texts`(texts[, metadatas, timeout, ...])	将文本数据插入腾讯向量DB。
`adelete`([ids])	异步根据向量ID或其他标准删除。
`afrom_documents`(documents, embedding, **kwargs)	异步返回从文档和嵌入中初始化的VectorStore。
`afrom_texts`(texts, embedding[, metadatas])	异步返回从文本和嵌入中初始化的VectorStore。
`aget_by_ids`(ids, /)	异步通过ID获取文档。
`amax_marginal_relevance_search`(query[, k, ...])	异步返回使用最大边缘相关选择的最匹配文档。
`amax_marginal_relevance_search_by_vector`(...)	异步返回使用最大边缘相关选择的最匹配文档。
`as_retriever`(**kwargs)	返回从VectorStore初始化的VectorStoreRetriever。
`asearch`(query, search_type, **kwargs)	异步返回使用指定搜索类型与查询最相似的文档。
`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)	异步返回范围为[0, 1]的文档和相关性评分。
`asimilarity_search_with_score`(args, *kwargs)	异步运行具有距离的相似度搜索。
`astreaming_upsert`(items, /, batch_size, **kwargs)
`aupsert`(items, /, **kwargs)
`delete`([ids, filter_expr])	从集合中删除文档。
`from_documents`(documents, embedding, **kwargs)	从文档和嵌入中初始化VectorStore。
`from_texts`(texts, embedding[, metadatas, ...])	创建一个集合，使用HNSW索引它并插入数据。
`get_by_ids`(ids, /)	通过ID获取文档。
`max_marginal_relevance_search`(query[, k, ...])	执行搜索并返回按MMR重新排序的结果。
`通过向量的max_marginal_relevance_search`(...)	执行搜索并返回按MMR重新排序的结果。
`search`(query, search_type, **kwargs)	使用指定的搜索类型返回与查询最相似的文档。
`similarity_search`(query[, k, param, expr, ...])	对查询字符串进行相似性搜索。
`similarity_search_by_vector`(embedding[, k, ...])	对查询字符串进行相似性搜索。
`similarity_search_with_relevance_scores`(query)	返回范围在[0, 1]内的文档和相关性分数。
`similarity_search_with_score`(query[, k, ...])	对查询字符串进行搜索并返回带有分数的结果。
`similarity_search_with_score_by_vector`(embedding)	对查询字符串进行搜索并返回带有分数的结果。
`streaming_upsert`(items, /, batch_size, **kwargs)
`upsert`(items, /, **kwargs)

参数

embedding (Embeddings) –
connection_params (ConnectionParams) –
index_params (IndexParams) –
database_name (str) –
collection_name (str) –
drop_old (Optional[bool]) –
collection_description (Optional[str]) –
meta_fields (可选["List["MetaField]"]) –
t_vdb_embedding (可选["str]) –

__init__(embedding: ~langchain_core.embeddings.embeddings.Embeddings, connection_params: ~langchain_community.vectorstores.tencentvectordb.ConnectionParams, index_params: ~langchain_community.vectorstores.tencentvectordb.IndexParams = <langchain_community.vectorstores.tencentvectordb.IndexParams object>, database_name: str = 'LangChainDatabase', collection_name: str = 'LangChainCollection', drop_old: ~typing.Optional[bool] = False, collection_description: ~typing.Optional[str] = 'Collection for LangChain', meta_fields: ~typing.Optional[~typing.List[~langchain_community.vectorstores.tencentvectordb.MetaField]] = None, t_vdb_embedding: ~typing.Optional[str] = 'bge-base-zh')[source]¶

参数

embedding (Embeddings) –
connection_params (ConnectionParams) –
index_params (IndexParams) –
database_name (str) –
collection_name (str) –
drop_old (Optional[bool]) –
collection_description (Optional[str]) –
meta_fields (可选["List["MetaField]"]) –
t_vdb_embedding (可选["str]) –

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

异步通过嵌入运行更多文档并添加到向量存储中。

参数

documents (列表["Document]") – 需要添加到向量数据库的文档。
kwargs (任意) – 其他关键参数。

返回值

添加文本的ID列表。

引发

ValueError – 如果ID的数量与文档的数量不匹配。

返回类型

列表[str]

async aadd_texts(texts: 可迭代[str], metadatas: Optional[列表[dict]] = None, **kwargs: 任何类型) → 列表[str]

异步通过嵌入运行更多文本并添加到向量存储中。

参数

texts (可迭代[str]) – 要添加到向量数据库的可迭代字符串列表。
metadatas (可选[列表[dict]]) – 可选的与文本相关的元数据列表。默认值为None。
**kwargs (任何类型) – 向量数据库特定的参数。

返回值

将文本添加到向量数据库时返回的id列表。

引发

ValueError – 如果元数据的数量不匹配文本的数量。
ValueError – 如果id的数量不匹配文本的数量。

返回类型

列表[str]

add_documents(documents: 列表[Document], **kwargs: 任何类型) → 列表[str]

向向量存储中添加或更新文档。

参数

documents (列表["Document]") – 需要添加到向量数据库的文档。
kwargs (任何类型) – 扩展关键字参数。如果kwargs包含id且文档包含id，kwargs中的id将具有优先权。

返回值

添加文本的ID列表。

引发

ValueError – 如果id的数量不匹配文档的数量。

返回类型

列表[str]

add_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, timeout: Optional[int] = None, batch_size: int = 1000, ids: Optional[List[str]] = None, **kwargs: Any) → List[str][source]¶

将文本数据插入腾讯向量DB。

参数

texts (可迭代对象[str]) –
metadatas (可选[列表[字典]]) –
timeout (可选[int]) –
batch_size (int) –
ids (可选[列表[str]]) –
kwargs (Any) –

返回类型

列表[str]

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

异步根据向量ID或其他标准删除。

参数

ids (可选[列表[str]]) – 要删除的ID列表。如果为None，则删除全部。默认为None。
**kwargs (Any) – 子类可能使用的其他关键字参数。

返回值

如果删除成功则返回True，否则返回False，如果未实现则返回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中初始化的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 (任意) – 其他关键参数。

返回值

从文档和嵌入初始化的向量存储。

返回类型

向量存储

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中初始化的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 (可选[列表[dict]]) – 可选的与文本相关的元数据列表。默认值为None。
kwargs (任意) – 其他关键参数。

返回值

从文本和嵌入初始化的向量存储。

返回类型

向量存储

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

异步通过ID获取文档。

返回的文档预计将ID字段设置为向量存储中文档的ID。

如果某些ID找不到或存在重复的ID，返回的文档数量可能少于请求的数量。

用户不应假设返回的文档顺序与输入ID的顺序相同。相反，用户应依赖返回文档的ID字段。

如果没有找到某些ID的文档，此方法不应该抛出异常。

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

新增于版本0.2.11。

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缘相关选择的最匹配文档。

最大边际相关性优化了查询的相似性和选定的文档间的多样性。

参数

query (str) – 查找与类似文本的文档。
k (int) – 返回的文档数量。默认为4。
fetch_k (int) – 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，用于确定结果中多样性的程度，0对应最大多样性，1对应最小多样性。默认为0.5。
kwargs (Any) –

返回值

最大边际相关性选择的文档列表。

返回类型

列表[文档]

async asyncamax_marginal_relevance_search_by_vector(embedding: List[float], 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缘相关选择的最匹配文档。

最大边际相关性优化了查询的相似性和选定的文档间的多样性。

参数

embedding (List[float]) – 要查找的相似文档的嵌入。
k (int) – 返回的文档数量。默认为4。
fetch_k (int) – 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，用于确定结果中多样性的程度，0对应最大多样性，1对应最小多样性。默认为0.5。
**kwargs (Any) – 要传递到搜索方法的参数。

返回值

最大边际相关性选择的文档列表。

返回类型

列表[文档]

as_retriever(**kwargs: Any) → VectorStoreRetriever¶

返回从VectorStore初始化的VectorStoreRetriever。

参数

**kwargs (Any) –

关键字参数传递到搜索函数。可以包括：search_type (可选[str])：定义检索器应执行的类型。

可以是被搜索”similarity”（默认），”mmr”或”similarity_score_threshold”。

search_kwargs (可选[Dict])：传递到搜索函数的关键字参数。可以包括如下内容：

search_kwargs (可选[Dict])：关键词参数传递到搜索函数。可以包含以下内容：

k：返回的文档数量（默认：4）

score_threshold：相关性分数最小阈值（仅对于相似度分数阈值有效）

fetch_k：传递给MMR算法的文档数量（默认：20）: (默认: 20)
lambda_mult：MMR返回结果的多样性；: 1表示最少多样性，0表示最多多样性。（默认：0.5）

filter：根据文档元数据进行过滤

返回值

VectorStore的检索器类。

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]¶

异步返回使用指定搜索类型与查询最相似的文档。

参数

查询 (字符串) – 输入文本。
search_type (字符串) – 要执行搜索的类型。可以是 “similarity”、“mmr” 或 “similarity_score_threshold”。
**kwargs (Any) – 要传递到搜索方法的参数。

返回值

与查询最相似的文档列表。

引发

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

返回类型

列表[文档]

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

查询 (字符串) – 输入文本。
k (int) – 返回的文档数量。默认为4。
**kwargs (Any) – 要传递到搜索方法的参数。

返回值

与查询最相似的文档列表。

返回类型

列表[文档]

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]) – 要查找的相似文档的嵌入。
k (int) – 返回的文档数量。默认为4。
**kwargs (Any) – 要传递到搜索方法的参数。

返回值

与查询向量最相似的文档列表。

返回类型

列表[文档]

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

异步返回范围为[0, 1]的文档和相关性评分。

0 表示不相似，1 表示最相似。

参数

查询 (字符串) – 输入文本。
k (int) – 返回的文档数量。默认为4。
**kwargs (Any) –
传递给相似度搜索的参数 kwargs。应包括：score_threshold：可选，一个介于 0 到 1 之间的浮点数，用于

过滤检索到的文档集

返回值

(doc, 相似度分数) 的元组列表

返回类型

列表[元组[文档, 浮点型]]

async asimilarity_search_with_score(*args: 任何, **kwargs: 任何) → 列表[元组[文档, 浮点型]]¶

异步运行具有距离的相似度搜索。

参数

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

返回值

包含(doc, 相似度评分)元组的列表。

返回类型

列表[元组[文档, 浮点型]]

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

测试版

在0.2.11版本中添加。API可能会有变化。

以流的形式更新文档。streaming_upsert的异步版本。

参数

items (AsyncIterable[文档]) – 要添加到向量存储中的文档的迭代器。
batch_size (int) – 批量更新的大小。
kwargs (任何) – 额外的关键字参数。kwargs应只包含所有文档都有的参数（例如，索引的超时时间、重试策略等）。kwargs不应包含id以避免语义不清。相反，ID应作为Document对象的一部分提供。

生成yield

UpsertResponse – 包含在向量存储中成功添加或更新以及在添加或更新时失败的ID的响应对象。

返回类型

AsyncIterator[UpsertResponse]

新增于版本0.2.11。

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

测试版

在0.2.11版本中添加。API可能会有变化。

向向量存储中添加或更新文档。upsert的异步版本。

upsert功能应使用Document对象的ID字段，如果提供了该字段。如果没有提供ID，upsert方法可以为文档生成一个ID。

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

参数

items (Sequence[Document]) – 要添加到向量存储中的文档序列。
kwargs (任意) – 其他关键参数。

返回值

包含成功添加或更新到向量存储中的ID列表以及未能添加或更新的ID列表的响应对象。

返回类型

UpsertResponse

新增于版本0.2.11。

delete(ids: Optional[List[str]], filter_expr: Optional[str], **kwargs: Any) → Optional[bool]

从集合中删除文档。

参数

ids (可选[列表[str]]) –
filter_expr (Optional[str]) –
kwargs (Any) –

返回类型

Optional[bool]

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

从文档和嵌入中初始化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 (任意) – 其他关键参数。

返回值

从文档和嵌入初始化的向量存储。

返回类型

向量存储

classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, connection_params: Optional[ConnectionParams] = None, index_params: Optional[IndexParams] = None, database_name: str = 'LangChainDatabase', collection_name: str = 'LangChainCollection', drop_old: Optional[bool] = False, collection_description: Optional[str] = 'Collection for LangChain', meta_fields: Optional[List[MetaField]] = None, t_vdb_embedding: Optional[str] = 'bge-base-zh', **kwargs: Any) → TencentVectorDB[source]¶

创建一个集合，使用HNSW索引它并插入数据。

参数

texts (字符串列表[str]) –
embedding (Embeddings) –
metadatas (可选[列表[字典]]) –
connection_params (可选[ConnectionParams]) –
index_params (可选[IndexParams]) –
database_name (str) –
collection_name (str) –
drop_old (Optional[bool]) –
collection_description (Optional[str]) –
meta_fields (可选["List["MetaField]"]) –
t_vdb_embedding (可选["str]) –
kwargs (Any) –

返回类型

TencentVectorDB

get_by_ids(ids: 序列[str], /) → 文档列表[Document]¶

通过ID获取文档。

返回的文档预计将ID字段设置为向量存储中文档的ID。

如果某些ID找不到或存在重复的ID，返回的文档数量可能少于请求的数量。

用户不应假设返回的文档顺序与输入ID的顺序相同。相反，用户应依赖返回文档的ID字段。

如果没有找到某些ID的文档，此方法不应该抛出异常。

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

新增于版本0.2.11。

max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[int] = None, **kwargs: Any) → List[Document][source]¶

执行搜索并返回按MMR重新排序的结果。

参数

query (str) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (可选[int]) –
kwargs (Any) –

返回类型

Document 列表

max_marginal_relevance_search_by_vector(embedding: list[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, param: Optional[dict] = None, expr: Optional[str] = None, filter: Optional[str] = None, timeout: Optional[int] = None, **kwargs: Any) → List[Document][source]¶

执行搜索并返回按MMR重新排序的结果。

参数

embedding (list[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
param (Optional[dict]) –
expr (Optional[str]) –
filter (Optional[str]) –
timeout (可选[int]) –
kwargs (Any) –

返回类型

Document 列表

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

使用指定的搜索类型返回与查询最相似的文档。

参数

query (str) – 输入文本
search_type (字符串) – 要执行搜索的类型。可以是 “similarity”、“mmr” 或 “similarity_score_threshold”。
**kwargs (Any) – 要传递到搜索方法的参数。

返回值

与查询最相似的文档列表。

引发

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

返回类型

列表[文档]

similarity_search(query: str, k: int = 4, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[int] = None, **kwargs: Any) → List[Document][source]¶

对查询字符串进行相似性搜索。

参数

query (str) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (可选[int]) –
kwargs (Any) –

返回类型

Document 列表

similarity_search_by_vector(embedding: List[float], k: int = 4, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[int] = None, **kwargs: Any) → List[Document][source]¶

对查询字符串进行相似性搜索。

参数

embedding (float 列表) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (可选[int]) –
kwargs (Any) –

返回类型

Document 列表

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

返回范围在[0, 1]内的文档和相关性分数。

0 表示不相似，1 表示最相似。

参数

查询 (字符串) – 输入文本。
k (int) – 返回的文档数量。默认为4。
**kwargs (Any) –
传递给相似度搜索的参数 kwargs。应包括：score_threshold：可选，一个介于 0 到 1 之间的浮点数，用于

过滤检索到的文档集。

返回值

包含(doc, 相似度评分)元组的列表。

返回类型

列表[元组[文档, 浮点型]]

similarity_search_with_score(query: str, k: int = 4, param: Optional[dict] = None, expr: Optional[str] = None, timeout: Optional[int] = None, **kwargs: Any) → List[Tuple[Document, float]][source]¶

对查询字符串进行搜索并返回带有分数的结果。

参数

query (str) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
timeout (可选[int]) –
kwargs (Any) –

返回类型

列表[元组[Document, 浮点数]]

similarity_search_with_score_by_vector（embedding: List[float]，k: int = 4，param: Optional[dict] = None，expr: Optional[str] = None，filter: Optional[str] = None，timeout: Optional[int] = None，query: Optional[str] = None，**kwargs: Any） → List[Tuple[Document, float]][source]¶

对查询字符串进行搜索并返回带有分数的结果。

参数

embedding (float 列表) –
k (int) –
param (Optional[dict]) –
expr (Optional[str]) –
filter (Optional[str]) –
timeout (可选[int]) –
query（可选

kwargs (Any) –

返回类型

列表[元组[Document, 浮点数]]

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

测试版

在0.2.11版本中添加。API可能会有变化。

以流式方式插入文档。

参数

items (Iterable[Document]) – 要添加到向量存储的文档的集合。

batch_size (int) – 批量更新的大小。

kwargs (Any) – 扩展关键字参数。kwargs应仅包含所有文档共有的参数。（例如，索引超时，重试策略等。）kwargs不应包含ID以避免模糊语义。相反，ID应作为文档对象的一部分提供。

生成yield

UpsertResponse – 包含在向量存储中成功添加或更新以及在添加或更新时失败的ID的响应对象。

返回类型

Iterator[UpsertResponse]

新增于版本0.2.11。

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

测试版

在0.2.11版本中添加。API可能会有变化。

向向量存储中添加或更新文档。

upsert功能应使用Document对象的ID字段，如果提供了该字段。如果没有提供ID，upsert方法可以为文档生成一个ID。

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

参数

items (Sequence[Document]) – 要添加到向量存储中的文档序列。

kwargs (任意) – 其他关键参数。

返回值

包含成功添加或更新到向量存储中的ID列表以及未能添加或更新的ID列表的响应对象。

返回类型

UpsertResponse

新增于版本0.2.11。

使用TencentVectorDB的示例¶

腾讯

腾讯云VectorDB

langchain_community.vectorstores.tencentvectordb.TencentVectorDB¶

使用TencentVectorDB的示例¶

`langchain_community.vectorstores.tencentvectordb`.TencentVectorDB¶