SQLite凭借其轻量、快速和经过实战检验的特性,广泛应用于各种系统,从大型系统到微型嵌入式设备,甚至网络浏览器和Android手机都依赖于它。 如今,AI技术日新月异,大型语言模型(LLMs)也正朝着小型化、高效化的方向发展。通过量化等技术手段,LLMs 的体积不断缩小,效率不断提升。 当LLMs 能够在小型设备上本地运行时,对存储空间的需求也随之降低,而SQLite正是满足这一需求的理想选择。
然而,我们不妨更进一步思考:如果我们不仅将SQLite用作存储引擎,还将其用于向量计算呢?在AI领域,LLMs 依赖于向量和嵌入——文本本质的数字表示。虽然PostgreSQL拥有用于向量搜索的pgvector扩展,但我们也可以探索如何将SQLite打造成强大的向量数据库。
本文将指导您如何在Node.js中构建一个基于SQLite的向量数据库,用于构建检索增强型生成应用程序(RAG)。
准备工作:数据准备与数据库设置
首先,克隆包含数据文件夹的项目仓库。该文件夹包含来自白皮书的文本片段,非常适合用于测试嵌入。
git clone https://github.com/sfundomhlungu/nodejs-vectordb.git
注意: 原始代码较为简略,为了方便理解,建议您创建一个新的文件夹,将数据文件夹复制到其中,然后初始化一个新的Node.js项目。 最终目录结构如下:
vectordb/ ├── data/ ├── embed.js └── index.js
安装必要的依赖包:
pnpm add better-sqlite3 ollama uuid
这将安装SQLite3驱动、用于生成嵌入的Ollama库以及UUID生成库。 确保您已安装Ollama并配置好API密钥。
数据库播种:嵌入生成与存储
打开embed.js文件,您将看到数据库的创建和嵌入表定义。 关键字段包括sessid(用于模拟会话)和embeddings(用于存储向量嵌入)。
读取数据文件夹中的文本文件,并使用Ollama生成每个文件的嵌入向量:
// ... (导入必要的模块) ... async function embed(content, meta) { const res = await ollama.embed({ model: "mxbai-embed-large", truncate: true, input: content, }); // ... (将嵌入向量转换为Float32Array并保存到数据库) ... } // ... (读取数据文件并调用embed函数) ...
向量搜索:余弦相似度计算与相似文档检索
接下来,在index.js中实现余弦相似度计算函数和向量搜索函数。 该函数将用户查询嵌入到向量空间,并在数据库中查找最相似的文档。
// ... (导入必要的模块) ... function cosineSimilarity(v1, v2) { // ... (计算余弦相似度) ... } async function checkSimilarity(userQuery, session) { // ... (生成用户查询的嵌入向量,并在数据库中查找最相似的文档) ... } // ... (实现与模型聊天的函数) ...
性能优化:使用原生模块提升效率
为了提升性能,可以使用vector-sqlite3原生模块。 安装该模块后,更新代码以启用原生向量函数:
import sqlitevector from 'vector-sqlite3'; // ... (数据库连接) ... sqlitevector(db, { usenative: ["cosine_similarity", "l2_distance", "dot_product"] });
这将使用优化的原生函数来计算余弦相似度,显著提升搜索速度。
总结
本文简要介绍了如何在Node.js中使用SQLite构建向量数据库,并利用Ollama生成文本嵌入。 通过使用原生模块,可以进一步优化性能。 您可以根据实际需求调整模型和参数,以获得最佳的检索效果。 完整的代码和更详细的说明请参考原始仓库。
以上就是如何在nodejs中使用sqlite构建矢量数据库的详细内容,更多请关注php中文网其它相关文章!
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号