A LangChain és a Timescale Vector PostgreSQL-re építi az AI-keresést
A LangChain és a Timescale Vector integrációja a PostgreSQL-t teszi használhatóbbá mesterségesintelligencia-alkalmazások vektoros adatbázisaként. A megoldás gyorsabb hasonlósági keresést, időalapú szűrést és egységesebb infrastruktúrát kínál a fejlesztőknek.
- A Timescale Vector a PostgreSQL-t LangChain-kompatibilis vektoros adatbázisként bővíti.
- Az új, DiskANN által inspirált index egymillió OpenAI-beágyazáson 243 százalékkal gyorsabb volt a Weaviate-nél.
- A rendszer időalapú vektorkeresést és RAG-hez használható kontextus-visszakeresést kínál.
- A vektoros, relációs és idősoros adatok egy PostgreSQL-adatbázisban kezelhetők.
- A LangChain-felhasználók 90 napos ingyenes próbaidőszakot kapnak.
Egy PostgreSQL-adatbázis a vektoros adatokhoz is
A Timescale Vector a LangChain fejlesztői számára olyan PostgreSQL-alapú környezetet kínál, amelyben a vektorbeágyazások, a relációs adatok és az idősoros adatok egyetlen adatbázisban tárolhatók. A LangChain szerint ez csökkenti a több különálló adatbázis üzemeltetésével járó összetettséget.
A megoldás a pgvector nyílt forráskódú PostgreSQL-kiterjesztését is tartalmazza, de a Timescale közlése szerint további teljesítmény- és üzemeltetési képességekkel egészíti ki azt. A fejlesztők a PostgreSQL adattípusait használhatják metaadatok tárolására és szűrésére, a vektorkeresés eredményeit pedig relációs adatokkal kapcsolhatják össze.
A LangChain csapata a PostgreSQL stabilitását és kiterjedt ökoszisztémáját is kiemeli. A Stack Overflow 2023-as fejlesztői felmérése szerint ez a világ legkedveltebb adatbázisa, a platform pedig több mint három évtizede használható éles környezetben.
Gyorsabb keresés milliónyi vektoron
A Timescale Vector egy, a DiskANN algoritmus által inspirált új keresési indexet kínál a nagyméretű vektorkészleteken végzett közelítő legközelebbi szomszéd kereséshez. A LangChainben alapértelmezés szerint ez az index használható, de a fejlesztők a pgvector HNSW és IVFFlat algoritmusai közül is választhatnak.
A közleményben szereplő mérés szerint az új index körülbelül 99 százalékos visszahívás mellett 243 százalékkal gyorsabb keresést ért el a Weaviate speciális vektoros adatbázisnál, egymillió OpenAI-beágyazáson végzett tesztben. A Timescale Vector ugyanebben az összevetésben a meglévő PostgreSQL-es keresési indexeket 39,39 és 1590,33 százalék közötti mértékben múlta felül.
A termék támogatja a termék-kvantálást is, amely a bejelentés szerint egyes esetekben tízszeresére csökkentheti az index tárhelyigényét. Az indexek létrehozása közvetlenül a LangChain alkalmazáskódjából elvégezhető.
Időalapú keresés és RAG
A Timescale Vector időalapú partícionálást és indexelést használó hypertable-jei lehetővé teszik, hogy a fejlesztők a vektoros keresést időszakhoz vagy dokumentumkorhoz kössék. Így a rendszer a szemantikailag hasonló találatok mellett az adott időszakhoz releváns beágyazásokat is kiválaszthatja.
Ez különösen a visszakereséssel támogatott generálás, vagyis a RAG esetében lehet hasznos. A LangChain példaként említi az LLM-válaszok és a beszélgetési előzmények tárolását, illetve azt, hogy az időalapú kontextus relevánsabb válaszok létrehozását segítheti.
A közös bejegyzés szerint a Timescale Vector további képességei között szerepel a fejlett önlekérdezés, valamint a metaadatok több szempont szerinti szűrésének támogatása. A Timescale a LangChain-felhasználóknak 90 napos ingyenes próbaidőszakot kínál, amely alatt a közlés szerint a létrehozott felhős PostgreSQL-adatbázisokért nem kell fizetni.
