langchain-vector-stores

name	langchain-vector-stores
description	LangChain 向量存储集成使用指南，包括 Chroma、Pinecone、FAISS 和内存向量存储
language	js

langchain-vector-stores (JavaScript/TypeScript)

概述

向量存储是经过优化的数据库，用于存储和搜索高维向量（嵌入）。它们通过基于向量相似度而非关键字匹配来查找相似文档，从而实现语义搜索。对于 RAG（检索增强生成）系统至关重要。

核心概念

• 向量数据库：用于存储和查询嵌入的专用数据库
• 相似度搜索：使用向量距离度量（余弦、欧几里得）查找相似文档
• 元数据过滤：将向量搜索与元数据过滤器结合
• 持久化：某些向量存储在内存中运行，其他持久化到磁盘/云
• 扩展性：不同的存储具有不同的可扩展性特征

向量存储选择决策表

向量存储	最适用于	包	持久化	可扩展性	主要特性
FAISS	本地、高性能	@langchain/community	磁盘	中等	快速、支持 CPU/GPU、本地
Chroma	开发、简单	@langchain/community	磁盘	中等	易于设置、本地优先、Python API
Pinecone	生产环境、托管	@langchain/pinecone	云	高	完全托管、自动扩展、免运维
Memory	测试、原型	langchain/vectorstores/memory	仅内存	低	简单、无设置、临时
Weaviate	GraphQL、混合搜索	@langchain/weaviate	云/自托管	高	GraphQL、混合搜索、模块化
Qdrant	高性能、过滤	@langchain/qdrant	云/自托管	高	快速、高级过滤、基于 Rust
Supabase	PostgreSQL 用户	@langchain/community	云/自托管	高	PostgreSQL 扩展、熟悉的工具

何时选择各存储

选择 FAISS 如果：

• 您需要高性能的本地向量搜索
• 您希望避免外部依赖
• 您有大量向量（数百万）需要快速搜索

选择 Chroma 如果：

• 您想要简单的本地开发
• 您需要易于持久化而无需复杂设置
• 您正在构建原型或小型应用程序

选择 Pinecone 如果：

• 您正在构建生产应用程序
• 您希望零运维开销
• 您需要自动扩展和高可用性

选择内存向量存储如果：

• 您正在测试或原型开发
• 数据持久化不是必需的
• 您想要尽可能简单的设置

选择 Weaviate/Qdrant 如果：

• 您需要高级过滤和混合搜索
• 您希望在部署上有灵活性（云或自托管）
• 您需要大规模的高性能

代码示例

内存向量存储（最简单）

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

// 内存向量存储 - 适合测试
const vectorStore = new MemoryVectorStore(new OpenAIEmbeddings());

// 添加文档
await vectorStore.addDocuments([
  { pageContent: "LangChain is a framework for LLM apps", metadata: { source: "docs" } },
  { pageContent: "Vector stores enable semantic search", metadata: { source: "docs" } },
  { pageContent: "Paris is the capital of France", metadata: { source: "wiki" } },
]);

// 相似度搜索
const results = await vectorStore.similaritySearch("What is LangChain?", 2);
console.log(results);

// 带分数的搜索
const resultsWithScore = await vectorStore.similaritySearchWithScore("LangChain", 2);
resultsWithScore.forEach(([doc, score]) => {
  .();
});

FAISS 向量存储

import { FaissStore } from "@langchain/community/vectorstores/faiss";
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings();

// 从文档创建
const vectorStore = await FaissStore.fromDocuments(
  [
    { pageContent: "Document 1 content", metadata: { id: 1 } },
    { pageContent: "Document 2 content", metadata: { id: 2 } },
  ],
  embeddings
);

// 搜索
const results = await vectorStore.similaritySearch("query", 3);

// 保存到磁盘
await vectorStore.save("./faiss_index");

// 从磁盘加载
const loadedStore = await FaissStore.load("./faiss_index", embeddings);

Chroma 向量存储

import { Chroma } from "@langchain/community/vectorstores/chroma";
import { OpenAIEmbeddings } from "@langchain/openai";

// 需要运行 Chroma 服务器：docker run -p 8000:8000 chromadb/chroma
const vectorStore = await Chroma.fromDocuments(
  [
    { pageContent: "Text 1", metadata: { category: "A" } },
    { pageContent: "Text 2", metadata: { category: "B" } },
  ],
  new OpenAIEmbeddings(),
  {
    collectionName: "my-collection",
    url: "http://localhost:8000", // Chroma 服务器 URL
  }
);

// 带元数据过滤器的搜索
const results = await vectorStore.similaritySearch("query", 3, {
  category: "A"
});

// 删除集合
await vectorStore.delete({ collectionName: "my-collection" });

Pinecone 向量存储

import { PineconeStore } from "@langchain/pinecone";
import { Pinecone } from "@pinecone-database/pinecone";
import { OpenAIEmbeddings } from "@langchain/openai";

// 初始化 Pinecone 客户端
const pinecone = new Pinecone({
  apiKey: process.env.PINECONE_API_KEY,
});

const pineconeIndex = pinecone.Index("my-index");

// 创建向量存储
const vectorStore = await PineconeStore.fromDocuments(
  [
    { pageContent: "Content 1", metadata: { topic: "tech" } },
    { pageContent: "Content 2", metadata: { topic: "science" } },
  ],
  new OpenAIEmbeddings(),
  {
    pineconeIndex,
    maxConcurrency: 5,
  }
);

// 带元数据过滤器的搜索
const results = await vectorStore.similaritySearch("query", 3, {
  topic: "tech"
});

// 作为检索器使用
const retriever = vectorStore.({
  : ,
  : ,
});
 docs =  retriever.();

增量添加文档

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

const vectorStore = new MemoryVectorStore(new OpenAIEmbeddings());

// 一次或批量添加文档
await vectorStore.addDocuments([
  { pageContent: "Document 1", metadata: {} },
]);

// 稍后添加更多
await vectorStore.addDocuments([
  { pageContent: "Document 2", metadata: {} },
  { pageContent: "Document 3", metadata: {} },
]);

// 或从文本添加
await vectorStore.addTexts(
  ["Text 1", "Text 2"],
  [{ source: "A" }, { source: "B" }]
);

作为检索器使用

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

const vectorStore = await MemoryVectorStore.fromDocuments(
  documents,
  new OpenAIEmbeddings()
);

// 转换为检索器
const retriever = vectorStore.asRetriever({
  k: 4, // 返回前 4 个结果
  searchType: "similarity", // 或 "mmr" 用于最大边际相关性
});

// 在链中使用
import { ChatOpenAI } from "@langchain/openai";
import { createRetrievalChain } from "langchain/chains/retrieval";
import { createStuffDocumentsChain } from "langchain/chains/combine_documents";
import { ChatPromptTemplate } from "@langchain/core/prompts";

const llm = new ChatOpenAI();
const prompt = ChatPromptTemplate.fromTemplate(`
Answer based on context:
{context}

Question: {input}
`);

const combineDocsChain = await createStuffDocumentsChain({ llm, prompt });
 chain =  ({
  retriever,
  combineDocsChain,
});

 result =  chain.({ :  });

最大边际相关性 (MMR)

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

const vectorStore = await MemoryVectorStore.fromTexts(
  ["text1", "text2", "text3"],
  [{}, {}, {}],
  new OpenAIEmbeddings()
);

// MMR 平衡相关性和多样性
const results = await vectorStore.maxMarginalRelevanceSearch("query", {
  k: 3,
  fetchK: 10, // 获取 10 个候选，返回 3 个多样化结果
  lambda: 0.5, // 0 = 最大多样性，1 = 最大相关性
});

边界

Agent 能够做的

✅ 初始化向量存储

• 设置任何支持的向量存储
• 使用嵌入和连接详情进行配置

✅ 添加和查询文档

• 添加带元数据的文档
• 执行相似度搜索
• 使用元数据过滤器

✅ 持久化和加载

• 将向量存储保存到磁盘（FAISS、Chroma）
• 加载现有向量存储
• 管理集合

✅ 作为检索器使用

• 将向量存储转换为检索器
• 与链和 Agent 集成
• 配置搜索参数（k、过滤器等）

✅ 选择适当的存储

• 根据规模、性能、持久化需求进行选择
• 以最小的代码更改切换存储

Agent 不能做的

❌ 混合来自不同模型的嵌入

• 不能在同一向量存储中使用不同的嵌入模型
• 必须使用一致的嵌入

❌ 绕过提供程序限制

• 不能超过 Pinecone 索引大小限制
• 不能绕过免费层限制

❌ 在创建后修改向量维度

• 创建后无法更改嵌入维度
• 必须使用新嵌入重新创建存储

❌ 在没有正确设置的情况下查询

• 不能在服务器未运行时使用 Chroma
• 不能在没有 API 密钥和索引的情况下使用 Pinecone

注意事项

1. 嵌入模型一致性

// ❌ 错误：为索引和查询使用不同的嵌入
const store1 = await MemoryVectorStore.fromDocuments(
  docs,
  new OpenAIEmbeddings({ model: "text-embedding-3-small" })
);

const results = await store1.similaritySearch("query"); // 使用相同的嵌入 ✓

// 但如果重新创建：
const store2 = new MemoryVectorStore(
  new OpenAIEmbeddings({ model: "text-embedding-ada-002" }) // 不同!
);
// 查询将无法正常工作!

// ✅ 正确：保持嵌入实例
const embeddings = new OpenAIEmbeddings({ model: "text-embedding-3-small" });
const store = await MemoryVectorStore.fromDocuments(docs, embeddings);
// 始终使用相同的嵌入实例

修复方法：为创建和查询使用相同的嵌入模型实例。

2. Chroma 服务器必须运行

// ❌ Chroma 未运行
import { Chroma } from "@langchain/community/vectorstores/chroma";

const store = await Chroma.fromDocuments(docs, embeddings, {
  url: "http://localhost:8000"
});
// 错误：连接被拒绝!

// ✅ 先启动 Chroma
// 终端：docker run -p 8000:8000 chromadb/chroma
// 或：chroma run --path ./chroma_data

const store = await Chroma.fromDocuments(docs, embeddings, {
  url: "http://localhost:8000"
}); // 可以工作!

修复方法：在创建向量存储之前确保 Chroma 服务器正在运行。

3. Pinecone 索引必须存在

// ❌ 索引不存在
import { Pinecone } from "@pinecone-database/pinecone";

const pinecone = new Pinecone({ apiKey: process.env.PINECONE_API_KEY });
const index = pinecone.Index("nonexistent-index"); // 不会创建索引!

// ✅ 先创建索引
// 在 Pinecone 控制台或通过 API 执行此操作
const pinecone = new Pinecone({ apiKey: process.env.PINECONE_API_KEY });

// 检查索引是否存在，如需要则创建
const indexList = await pinecone.listIndexes();
if (!indexList.indexes?.some(idx => idx.name === "my-index")) {
  await pinecone.createIndex({
    name: "my-index",
    dimension: 1536, // 必须匹配嵌入维度
    metric: "cosine",
    spec: { serverless: { cloud: "aws", region: "us-east-1" } }
  });
}

const index = pinecone.Index("my-index");

修复方法：在使用前创建 Pinecone 索引。

4. FAISS 保存/加载路径问题

// ❌ 相对路径问题
await vectorStore.save("./index"); // 可能根据当前工作目录失败

// ✅ 使用绝对路径或明确指定
import path from "path";
const indexPath = path.join(process.cwd(), "data", "faiss_index");
await vectorStore.save(indexPath);

// 使用相同路径加载
const loadedStore = await FaissStore.load(indexPath, embeddings);

修复方法：使用绝对路径或注意当前工作目录。

5. 内存向量存储是临时的

// ❌ 期望持久化
const vectorStore = new MemoryVectorStore(embeddings);
await vectorStore.addDocuments(docs);
// 应用重启...
// 所有数据丢失!

// ✅ 在生产中使用持久化存储
import { FaissStore } from "@langchain/community/vectorstores/faiss";

const vectorStore = await FaissStore.fromDocuments(docs, embeddings);
await vectorStore.save("./faiss_index"); // 持久化到磁盘

修复方法：对于持久化数据，使用 FAISS、Chroma 或云存储（Pinecone）。

6. 元数据过滤语法各异

// 不同的存储有不同的过滤语法
// Pinecone
const pineconeResults = await pineconeStore.similaritySearch("query", 3, {
  category: "tech" // 简单的键值
});

// Chroma
const chromaResults = await chromaStore.similaritySearch("query", 3, {
  where: { category: "tech" } // 嵌套结构
});

// 查看每个存储的文档以了解过滤语法!

修复方法：阅读特定向量存储的文档以了解过滤语法。

7. 维度不匹配

// ❌ 使用错误的维度创建 Pinecone 索引
await pinecone.createIndex({
  name: "my-index",
  dimension: 1536, // OpenAI ada-002 维度
});

// 但使用不同的嵌入!
const store = await PineconeStore.fromDocuments(
  docs,
  new OpenAIEmbeddings({ model: "text-embedding-3-small", dimensions: 512 }),
  { pineconeIndex }
); // 错误：维度不匹配!

// ✅ 匹配维度
const embeddings = new OpenAIEmbeddings({ model: "text-embedding-3-small" });
// 默认为 1536，匹配 Pinecone 索引

修复方法：确保向量存储维度配置与嵌入维度匹配。

相关资源

官方文档

• LangChain JS 向量存储
• FAISS
• Chroma
• Pinecone
• 内存向量存储

提供商文档

• FAISS 库
• Chroma
• Pinecone
• Weaviate
• Qdrant

包安装

# 社区包（包括 FAISS、Chroma 等）
npm install @langchain/community

# Pinecone
npm install @langchain/pinecone @pinecone-database/pinecone

# Weaviate
npm install @langchain/weaviate weaviate-ts-client

# Qdrant
npm install @langchain/qdrant @qdrant/js-client-rest