# 深入解析Tair：云原生内存数据库的强大功能

## 引言

Tair 是阿里云开发的一种云原生内存数据库服务，完全兼容开源 Redis，并引入了非易失性内存（NVM）优化的持久存储实例。本文将探讨如何使用 Tair 的向量数据库功能，帮助开发者处理实时在线场景。

## 主要内容

### 安装和环境配置

要使用 Tair 的功能，我们需要先安装 `langchain-community` 库：

```bash
pip install -qU langchain-community

确保你已经启动了一个 Tair 实例，并通过 TAIR_URL 环境变量连接：

export TAIR_URL="redis://{username}:{password}@{tair_address}:{tair_port}"

或者使用关键字参数 tair_url。

文本加载与分割

本文涉及的示例代码中使用 CharacterTextSplitter 将文档分割为适合处理的块：

from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter

loader = TextLoader("../../how_to/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

嵌入与存储

我们模拟嵌入生成，并将文档和嵌入存储到 Tair：

from langchain_community.embeddings.fake import FakeEmbeddings
from langchain_community.vectorstores import Tair

embeddings = FakeEmbeddings(size=128)

tair_url = "redis://localhost:6379"  # 使用API代理服务提高访问稳定性

# 如果索引已存在，先删除
Tair.drop_index(tair_url=tair_url)

vector_store = Tair.from_documents(docs, embeddings, tair_url=tair_url)

查询相似文档

我们可以查询与特定问题相关的文档：

query = "What did the president say about Ketanji Brown Jackson"
docs = vector_store.similarity_search(query)
print(docs[0])

混合搜索索引构建与查询

Tair 支持混合搜索，结合向量与文本搜索：

# 如果索引已存在，先删除
Tair.drop_index(tair_url=tair_url)

vector_store = Tair.from_documents(
    docs, embeddings, tair_url=tair_url, index_params={"lexical_algorithm": "bm25"}
)

kwargs = {"TEXT": query, "hybrid_ratio": 0.5}
docs = vector_store.similarity_search(query, **kwargs)
print(docs[0])

常见问题和解决方案

网络限制

由于某些地区的网络限制，开发者可能需要考虑使用 API 代理服务。

嵌入与存储不匹配

确保生成的嵌入大小与 Tair 接受的大小一致。例如，FakeEmbeddings(size=128)。

总结和进一步学习资源

Tair 提供了强大的实时处理能力和多种搜索模式，适合多样化的应用场景。可以参考以下资源进行深入学习：

• Vector store 概念指南
• Vector store 如何指南

参考资料

• Tair 官方文档
• LangChain Community 文档

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---