LLMs之VDB：LanceDB的简介、安装和使用方法、案例应用之详细攻略
目录
LanceDB的简介
1、LanceDB的主要特性
2、为何选择 LanceDB？
LanceDB的安装和使用方法
1、安装方法
Javascript/Typescript
Python
2、使用方法
Javascript
Python
LanceDB的案例应用
1、基于LanceDB搭建RAG系统
LLMs之RAG：采用小LLM(不只用在生成阶段/Llama-3.2-1B-Instruct)进行文本摘要和提取关键词并存储到向量数据库(LanceDB)进而提高RAG系统的检索召回率——判断硬件是否支持GPU和BF16策略→数据预处理(加载并处理PDF/连接向量数据库LanceDB并创建表)→加载分词器、LLMs和嵌入模型→利用LLM(+纠正策略)对每页提取摘要及其关键词并解析为Json然后针对二者执行向量化最后存储到LanceDB数据库表中→基于query计算与table中摘要相似性提取Top列表然后指令提示LLM对摘要输出排名→指令提示LLM结合提取选定摘要所对应的原始内容来生成最终答案
LLMs之RAG：采用小LLM(不只用在生成阶段/Llama-3.2-1B-Instruct)进行文本摘要和提取关键词并存储到向量数据库(LanceDB)进而提高RAG系统的检索召回率
LanceDB的简介
LanceDB 是一个用于 AI 的开源向量数据库，旨在存储、管理、查询和检索大规模多模态数据的嵌入。LanceDB 的核心是用 Rust编写的，并建立在Lance之上，Lance 是一种开源列式数据格式，专为高性能 ML 工作负载和快速随机访问而设计。
>> 核心功能：LanceDB 是一个开源的向量数据库，用于存储、管理、查询和检索大规模多模态数据中的嵌入。它支持多种数据类型，包括文本、图像、视频、点云等。
>> 技术架构：LanceDB 的核心是用 Rust 编写，基于 Lance（一种为高性能机器学习工作负载设计的开源列式数据格式）。Lance 格式支持自动数据版本控制和快速检索。
>> 主要优势：易于使用、可扩展、经济高效。与其他向量数据库相比，LanceDB 的主要优势在于它不仅存储嵌入和元数据，还支持存储实际数据本身，简化了数据管理和版本控制。
>> 部署方式：提供开源 (OSS) 和云端 (Cloud) 两种部署方式。OSS 版本是嵌入式的，无需管理服务器；Cloud 版本是无服务器的 SaaS 服务，具有成本效益和高可扩展性。
LanceDB 是一款功能强大、易于使用且高效的向量数据库，适用于各种多模态 AI 应用场景。它独特的架构和多模态支持使其在众多向量数据库中脱颖而出。
LanceDB是一个面向开发者的、无服务器的向量数据库，专为AI应用而设计。它可以轻松地为你的大型语言模型（LLM）应用添加长期记忆功能。它是一个开源数据库，用于向量搜索，并使用持久性存储构建，这极大地简化了嵌入的检索、过滤和管理。
LanceDB 提供了一个易于使用的接口，结合了向量搜索、多模态数据支持和多种查询方式，并具有良好的性能和扩展性，使其成为构建各种 AI 应用的理想选择。 其无服务器特性进一步简化了部署和维护。
GitHub地址：GitHub - lancedb/lancedb: Developer-friendly, serverless vector database for AI applications. Easily add long-term memory to your LLM apps!
文档地址：LanceDB - LanceDB
1、LanceDB的主要特性
>> 生产规模的向量搜索，无需管理服务器。 这意味着你可以专注于你的应用逻辑，而无需担心数据库的运维。
>> 存储、查询和过滤向量、元数据和多模态数据（文本、图像、视频、点云等等）。 它支持多种数据类型，使得它可以应用于更广泛的场景。
>> 支持向量相似性搜索、全文搜索和SQL。 这提供了多种查询方式，以满足不同的需求。
>> 原生Python和Javascript/Typescript支持。 方便开发者使用熟悉的语言进行开发。
>> 零拷贝、自动版本控制，无需额外基础设施即可管理数据版本。 简化了数据管理流程。
>> GPU支持构建向量索引（*）。 (*) 表示此功能可能需要额外的配置或依赖。
>> 与LangChain、LlamaIndex、Apache-Arrow、Pandas、Polars、DuckDB等生态系统集成，更多集成正在进行中。 方便与其他工具和库集成使用。
>> LanceDB的核心是用Rust编写的，并使用Lance（一个为高性能机器学习工作负载设计的开源列式格式）构建。
2、为何选择 LanceDB？
>> 嵌入式与无服务器架构：LanceDB既支持嵌入式（开源软件）也支持无服务器（云服务），用户无需管理服务器。
>> 快速的生产级向量相似度搜索：提供快速的生产规模向量相似度、全文及混合搜索，并通过DataFusion支持SQL查询接口。
>> 多语言支持：支持Python、Javascript/Typescript和Rust语言。
>> 多模态数据存储与管理：不仅能存储和管理嵌入向量及元数据，还支持文本、图像、视频、点云等多模态数据类型。
>> 与Arrow生态系统紧密集成：允许在共享内存中进行真正的零拷贝访问，并支持SIMD和GPU加速。
>> 自动数据版本控制：无需额外基础设施即可管理数据版本。
>> 基于磁盘的索引与存储：支持大规模扩展而不需要高昂成本。
>> 直接摄取多种数据格式：支持直接摄取pandas DataFrames、Pydantic对象、Polars（即将支持）等多种数据格式。
LanceDB的安装和使用方法
1、安装方法
Javascript/Typescript
npm install @lancedb/lancedbPython
pip install lancedb2、使用方法
以下分别展示了Javascript和Python的示例代码：
Javascript
这个例子展示了如何连接数据库，创建表，进行向量搜索以及根据特定条件查询。
import * as lancedb from "@lancedb/lancedb";const db = await lancedb.connect("data/sample-lancedb");
const table = await db.createTable("vectors", [{ id: 1, vector: [0.1, 0.2], item: "foo", price: 10 },{ id: 2, vector: [1.1, 1.2], item: "bar", price: 50 },
], {mode: 'overwrite'});const query = table.vectorSearch([0.1, 0.3]).limit(2);
const results = await query.toArray();// You can also search for rows by specific criteria without involving a vector search.
const rowsByCriteria = await table.query().where("price >= 10").toArray();Python
这个例子展示了如何使用Python连接数据库，创建表，并进行向量搜索，并将结果转换为Pandas DataFrame。
import lancedburi = "data/sample-lancedb"
db = lancedb.connect(uri)
table = db.create_table("my_table",data=[{"vector": [3.1, 4.1], "item": "foo", "price": 10.0},{"vector": [5.9, 26.5], "item": "bar", "price": 20.0}])
result = table.search([100, 100]).limit(2).to_pandas()LanceDB的案例应用
持续更新中……
1、基于LanceDB搭建RAG系统
LLMs之RAG：采用小LLM(不只用在生成阶段/Llama-3.2-1B-Instruct)进行文本摘要和提取关键词并存储到向量数据库(LanceDB)进而提高RAG系统的检索召回率——判断硬件是否支持GPU和BF16策略→数据预处理(加载并处理PDF/连接向量数据库LanceDB并创建表)→加载分词器、LLMs和嵌入模型→利用LLM(+纠正策略)对每页提取摘要及其关键词并解析为Json然后针对二者执行向量化最后存储到LanceDB数据库表中→基于query计算与table中摘要相似性提取Top列表然后指令提示LLM对摘要输出排名→指令提示LLM结合提取选定摘要所对应的原始内容来生成最终答案
https://yunyaniu.blog.csdn.net/article/details/144091583
LLMs之RAG：采用小LLM(不只用在生成阶段/Llama-3.2-1B-Instruct)进行文本摘要和提取关键词并存储到向量数据库(LanceDB)进而提高RAG系统的检索召回率
https://yunyaniu.blog.csdn.net/article/details/144097611