Partager via

Utilisation du connecteur en mémoire (aperçu)

Avertissement

La fonctionnalité In-Memory Vector Store est en préversion et des améliorations nécessitant des modifications cassants peuvent toujours se produire dans des circonstances limitées avant la mise en production.

Avertissement

La fonctionnalité de magasin de vecteurs du noyau sémantique est en préversion et des améliorations nécessitant des modifications avec ruptures peuvent toujours se produire dans certains cas spécifiques avant la mise en production.

Avertissement

La fonctionnalité de magasin de vecteurs du noyau sémantique est en préversion et des améliorations nécessitant des modifications avec ruptures peuvent toujours se produire dans certains cas spécifiques avant la mise en production.

Vue d’ensemble

Le connecteur magasin de vecteurs en mémoire est une implémentation de magasin de vecteurs fournie par le noyau sémantique qui n’utilise aucune base de données externe et stocke les données en mémoire. Ce magasin de vecteurs est utile pour les scénarios de prototypage ou pour les opérations en mémoire à haute vitesse requises.

Le connecteur présente les caractéristiques suivantes.

Espace des fonctionnalités Soutien
Correspondance de la collection à Dictionnaire en mémoire
Types de propriétés de clé pris en charge Tout type pouvant être comparé
Types de propriétés de données pris en charge Tout type
Types de propriétés vectorielles pris en charge
  • Float ReadOnlyMemory<>
  • Float d’incorporation<>
  • float[]
Types d’index pris en charge Plat
Fonctions de distance prises en charge
  • CosineSimilarity
  • CosineDistance
  • DotProductSimilarity
  • EuclideanDistance
Clauses de filtre prises en charge
  • N'importe quel tag égal à
  • EqualTo
Prend en charge plusieurs vecteurs dans un enregistrement Oui
Est-ce queIndexed est pris en charge ? Oui
Est-ce queFullTextIndexed est pris en charge ? Oui
Le StorageName est-il pris en charge ? Non, étant donné que le stockage est en mémoire et que la réutilisation des données n’est donc pas possible, le nommage personnalisé n’est pas applicable.
HybridSearch est-il pris en charge ? Non

Mise en route

Ajoutez le package NuGet Semantic Kernel Core à votre projet.

dotnet add package Microsoft.SemanticKernel.Connectors.InMemory --prerelease

Vous pouvez ajouter le stockage de vecteurs au conteneur d’injection de dépendances disponible sur le KernelBuilder, ou au conteneur d’injection de dépendances en utilisant les méthodes d’extension fournies par le noyau sémantique avec le IServiceCollection.

using Microsoft.Extensions.DependencyInjection;
using Microsoft.SemanticKernel;

// Using Kernel Builder.
var kernelBuilder = Kernel
    .CreateBuilder();
kernelBuilder.Services
    .AddInMemoryVectorStore();

using Microsoft.Extensions.DependencyInjection;
using Microsoft.SemanticKernel;

// Using IServiceCollection with ASP.NET Core.
var builder = WebApplication.CreateBuilder(args);
builder.Services.AddInMemoryVectorStore();

Vous pouvez construire une instance inMemory Vector Store directement.

using Microsoft.SemanticKernel.Connectors.InMemory;

var vectorStore = new InMemoryVectorStore();

Il est possible de construire une référence directe à une collection nommée.

using Microsoft.SemanticKernel.Connectors.InMemory;

var collection = new InMemoryCollection<string, Hotel>("skhotels");

Vue d’ensemble

Avertissement

La In-Memory Vector Store prend en charge les filtres personnalisés qui peuvent être exprimés en tant que fonctions lambda Python, ces fonctions sont exécutées dans le même processus que l’application principale et peuvent donc exécuter du code arbitraire. Nous filtrons pour certaines opérations autorisées, mais vous ne devez pas laisser les filtres être définis par des sources non approuvées, y compris par les entrées LLM. Pour plus d’informations , consultez la section Filtrage.

Le connecteur magasin de vecteurs en mémoire est une implémentation de magasin de vecteurs fournie par le noyau sémantique qui n’utilise aucune base de données externe et stocke les données en mémoire. Ce magasin de vecteurs est utile pour les scénarios de prototypage ou pour les opérations en mémoire à haute vitesse requises.

Le connecteur présente les caractéristiques suivantes.

Espace des fonctionnalités Soutien
Correspondance de la collection à Dictionnaire en mémoire
Types de propriétés de clé pris en charge Tout élément autorisé à être une clé de dictionnaire, consultez la documentation Python pour plus d'informations ici
Types de propriétés de données pris en charge Tout type
Types de propriétés vectorielles pris en charge liste[float | int] | tableau numpy
Types d’index pris en charge Plat
Fonctions de distance prises en charge
  • Similarité cosinus
  • Distance cosinus
  • Similarité du produit dot
  • Distance euclidienne
  • Distance carrée euclide
  • Manhattan Distance
  • Distance de Hamming (Hamming Distance)
Prend en charge plusieurs vecteurs dans un enregistrement Oui
"La fonctionnalité is_filterable est-elle prise en charge ?" Oui
La fonctionnalité "is_full_text_searchable" est-elle prise en charge ? Oui

Mise en route

Ajoutez le package de noyau sémantique à votre projet.

pip install semantic-kernel

Vous pouvez créer le magasin et les collections à partir de là, ou créer les collections directement.

Dans les extraits de code ci-dessous, il est supposé que vous disposez d’une classe de modèle de données définie sous le nom « DataModel ».

from semantic_kernel.connectors.in_memory import InMemoryVectorStore

vector_store = InMemoryVectorStore()
vector_collection = vector_store.get_collection(record_type=DataModel, collection_name="collection_name")

Il est possible de construire une référence directe à une collection nommée.

from semantic_kernel.connectors.in_memory import InMemoryCollection

vector_collection = InMemoryCollection(record_type=DataModel, collection_name="collection_name")

Filtrage

Avertissement

La In-Memory Vector Store prend en charge les filtres personnalisés qui peuvent être exprimés en tant que fonctions lambda Python, ces fonctions sont exécutées dans le même processus que l’application principale et peuvent donc exécuter du code arbitraire. Nous filtrons pour certaines opérations autorisées, mais vous ne devez pas laisser les filtres être définis par des sources non approuvées, y compris par les entrées LLM.

Le connecteur In-Memory utilise une approche de liste blanche pour la sécurité des filtres. Seules les opérations suivantes sont autorisées dans les expressions de filtre :

Opérations autorisées

Catégorie Opérations autorisées
Comparaisons ==, !=, <, <=, >, >=, in, not in, is, is not
Opérations booléennes and, ornot
Accès aux données Accès aux attributs (par exemple, x.field), accès par indice (par exemple, x['field']), découpage
littéraux Constantes, listes, tuples, jeux, dictionnaires
Arithmétique de base +, , -, */, , %//

Fonctions autorisées

Les fonctions et méthodes intégrées suivantes peuvent être utilisées dans les expressions de filtre :

  • Conversion de type : str, , intfloat,bool
  • Agrégation : len, abs, min, max, sum, any, all
  • Méthodes de chaîne : lower, , upperstrip, startswith, endswithcontains
  • Méthodes de dictionnaire : get, keys, values, items

Examples

# Simple equality filter
results = await collection.search(vector, filter="lambda x: x.category == 'electronics'")

# Numeric comparison
results = await collection.search(vector, filter="lambda x: x.price < 100")

# Boolean combination
results = await collection.search(vector, filter="lambda x: x.in_stock and x.rating >= 4.0")

# String method
results = await collection.search(vector, filter="lambda x: x.name.startswith('A')")

# Membership test
results = await collection.search(vector, filter="lambda x: x.status in ['active', 'pending']")

Bientôt disponible

Plus d’informations prochainement.

  • Last updated on