前边著述 两行代码就已毕了文档的切分和向量化存储以及执久化存储。若是咱们念念用自界说的向量化数据库呢？

0. 配景

前边著述 两行代码就已毕了文档的切分和向量化存储以及执久化存储。

index = VectorStoreIndex.from_documents(documents)# store it for laterindex.storage_context.persist(persist_dir=PERSIST_DIR)

然则或然候咱们更但愿使用我方常用的向量数据库和向量化面貌。底下以 chromadb 为例，先容怎样使用。

1. 在 LlamaIndex 中使用自界说的向量数据库

（1）环境准备

写代码之前丝袜，需要最初装配 LlamaIndex 中的 chromadb。

pip install -U llama-index-vector-stores-chroma -i https://pypi.tuna.tsinghua.edu.cn/simple

（2）创建一个chromadb 数据库的实例

db = chromadb.PersistentClient(path="D:\\GitHub\\LEARN_LLM\\LlamaIndex\\vector_store\\chroma_db")

（3）创建 chroma 数据库的 collection

chroma_collection = db.get_or_create_collection("quickstart")

（4）将 chroma_collection 使用 LlamaIndex 的 ChromaVectorStore 进行以下类型颐养和封装，颐养成 LlamaIndex 的 VectorStore。

vector_store = ChromaVectorStore(chroma_collection=chroma_collection)

（5）将 VectorStore 封装到 StorageContext 中

storage_context = StorageContext.from_defaults(vector_store=vector_store)

（6）创建 VectorStoreIndex 时，使用 from_documents 函数中的 storage_context 参数，将上头自界说的 storage_context 传入。

吉吉影音av

index = VectorStoreIndex.from_documents(    documents， storage_context=storage_context)

齐全代码如下：

import chromadbfrom llama_index.core import VectorStoreIndex， SimpleDirectoryReaderfrom llama_index.vector_stores.chroma import ChromaVectorStorefrom llama_index.core import StorageContext# load some documentsdocuments = SimpleDirectoryReader("D:\\GitHub\\LEARN_LLM\\LlamaIndex\\data").load_data()# initialize client， setting path to save datadb = chromadb.PersistentClient(path="D:\\GitHub\\LEARN_LLM\\LlamaIndex\\vector_store\\chroma_db")# create collectionchroma_collection = db.get_or_create_collection("quickstart")# assign chroma as the vector_store to the contextvector_store = ChromaVectorStore(chroma_collection=chroma_collection)storage_context = StorageContext.from_defaults(vector_store=vector_store)# create your indexindex = VectorStoreIndex.from_documents(    documents， storage_context=storage_context)# create a query engine and queryquery_engine = index.as_query_engine()response = query_engine.query("什么是脚色指示?")print(response)

2. 追溯

本文咱们学习了如安在 LlamaIndex 中使用自界说的向量数据库，并谛视先容了其已毕智商。再追溯一下，在 LlamaIndex 中使用自界说的向量数据库，最主要的是创建 LlamaIndex 的 VectorStore，然后将 VectorStore 封装到 StorageContext 中，临了将 StorageContext 传入 VectorStoreIndex 的 from_documents 函数中。

3. 参考

· https://docs.llamaindex.ai/en/stable/understanding/storing/storing/

若是合计本文对你有匡助，贫穷点个赞和热心呗 ~~~点击上方公众号，热心↑↑↑

· 寰宇好，我是 同学小张，泛泛共享AI常识和实战案例

· 接待 点赞 + 热心 👏丝袜，执续学习，执续干货输出。 

本站仅提供存储奇迹，统共本色均由用户发布，如发现存害或侵权本色，请点击举报。