探索SAP HANA Cloud Vector Engine：从设置到自查询的全面指南

最新推荐文章于 2026-06-25 17:33:27 发布

原创最新推荐文章于 2026-06-25 17:33:27 发布 · 585 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#网络 #数据库 #服务器 #python

探索SAP HANA Cloud Vector Engine：从设置到自查询的全面指南

在数据科学和人工智能的世界中，SAP HANA Cloud Vector Engine提供了强大的向量存储能力。本文将深入探讨如何使用SAP HANA Cloud向量引擎，设置向量存储及其自查询功能。

引言

在处理大量数据时，能够高效地存储和检索数据是至关重要的。SAP HANA Cloud Vector Engine作为一种高效的向量存储解决方案，帮助开发者处理复杂数据查询。本文旨在提供详细的步骤帮助用户在SAP HANA中设置向量存储，并实现自查询功能。

1. 初始设置

连接到SAP HANA数据库

在开始之前，确保你已具备必要的环境变量设置用于连接数据库。

import os
from hdbcli import dbapi

# 建立数据库连接
connection = dbapi.connect(
    address=os.environ.get("HANA_DB_ADDRESS"),
    port=os.environ.get("HANA_DB_PORT"),
    user=os.environ.get("HANA_DB_USER"),
    password=os.environ.get("HANA_DB_PASSWORD"),
    autocommit=True,
    sslValidateCertificate=False,
)

2. 创建向量存储表

为了能够进行自查询，需要在HANA中创建一个包含元数据的向量存储表。

# 创建自定义表
cur = connection.cursor()
cur.execute("DROP TABLE LANGCHAIN_DEMO_SELF_QUERY", ignoreErrors=True)
cur.execute(
    (
        """CREATE TABLE "LANGCHAIN_DEMO_SELF_QUERY"  (
        "name" NVARCHAR(100), "is_active" BOOLEAN, "id" INTEGER, "height" DOUBLE,
        "VEC_TEXT" NCLOB, 
        "VEC_META" NCLOB, 
        "VEC_VECTOR" REAL_VECTOR
        )"""
    )
)

3. 添加文档到向量存储

接下来，使用langchain库将文档添加到刚刚创建的表中。

from langchain_community.vectorstores.hanavector import HanaDB
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

docs = [
    Document(
        page_content="First",
        metadata={"name": "adam", "is_active": True, "id": 1, "height": 10.0},
    ),
    Document(
        page_content="Second",
        metadata={"name": "bob", "is_active": False, "id": 2, "height": 5.7},
    ),
    Document(
        page_content="Third",
        metadata={"name": "jane", "is_active": True, "id": 3, "height": 2.4},
    ),
]

db = HanaDB(
    connection=connection,
    embedding=embeddings,
    table_name="LANGCHAIN_DEMO_SELF_QUERY",
    specific_metadata_columns=["name", "is_active", "id", "height"],
)

# 删除现有文档
db.delete(filter={})
db.add_documents(docs)

4. 实现自查询功能

通过SelfQueryRetriever实现对向量存储表的自查询。

from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain_community.query_constructors.hanavector import HanaTranslator
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")

metadata_field_info = [
    AttributeInfo(
        name="name",
        description="The name of the person",
        type="string",
    ),
    AttributeInfo(
        name="is_active",
        description="Whether the person is active",
        type="boolean",
    ),
    AttributeInfo(
        name="id",
        description="The ID of the person",
        type="integer",
    ),
    AttributeInfo(
        name="height",
        description="The height of the person",
        type="float",
    ),
]

document_content_description = "A collection of persons"

hana_translator = HanaTranslator()

retriever = SelfQueryRetriever.from_llm(
    llm,
    db,
    document_content_description,
    metadata_field_info,
    structured_query_translator=hana_translator,
)

# 查询不活跃的人
query_prompt = "Which person is not active?"

docs = retriever.invoke(input=query_prompt)
for doc in docs:
    print("-" * 80)
    print(doc.page_content, " ", doc.metadata)

5. 了解查询构建过程

了解内部查询的结构是诊断和优化系统性能的关键。

from langchain.chains.query_constructor.base import (
    StructuredQueryOutputParser,
    get_query_constructor_prompt,
)

prompt = get_query_constructor_prompt(
    document_content_description,
    metadata_field_info,
)
output_parser = StructuredQueryOutputParser.from_components()
query_constructor = prompt | llm | output_parser

sq = query_constructor.invoke(input=query_prompt)

print("Structured query: ", sq)
print("Translated for hana vector store: ", hana_translator.visit_structured_query(sq))