前面文章 两行代码就实现了文档的切分和向量化存储以及持久化存储。如果我们想用自定义的向量化数据库呢？

0. 背景

前面文章 两行代码就实现了文档的切分和向量化存储以及持久化存储。

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

但是有时候我们更希望使用自己常用的向量数据库和向量化方式。下面以 chromadb 为例，介绍如何使用。

1. 在 LlamaIndex 中使用自定义的向量数据库

（1）环境准备

写代码之前，需要首先安装 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 进行以下类型转换和封装，转换成 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，将上面自定义的 storage_context 传入。

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

完整代码如下：

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("什么是角色提示?")print(response)

2. 总结

本文我们学习了如何在 LlamaIndex 中使用自定义的向量数据库，并详细介绍了其实现步骤。再总结一下，在 LlamaIndex 中使用自定义的向量数据库，最主要的是创建 LlamaIndex 的 VectorStore，然后将 VectorStore 封装到 StorageContext 中，最后将 StorageContext 传入 VectorStoreIndex 的 from_documents 函数中。

3. 参考

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

如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~点击上方公众号，关注↑↑↑

· 大家好，我是 同学小张，日常分享AI知识和实战案例

· 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。 

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。