Usando o conector na memória (visualização)

Aviso

A funcionalidade Semantic Kernel Vetor Store está em pré-visualização, e melhorias que exigem alterações de quebra ainda podem ocorrer em circunstâncias limitadas antes do lançamento.

Descrição geral

O conector In-Memory Vetor Store é uma implementação do Vetor Store fornecida pelo Semantic Kernel que não usa nenhum banco de dados externo e armazena dados na memória. Este Vetor Store é útil para cenários de prototipagem ou onde são necessárias operações de alta velocidade na memória.

O conector tem as seguintes características.

Área de funcionalidades	Suporte
Mapas da coleção para	Dicionário na memória
Tipos de propriedade de chave suportados	Qualquer tipo que possa ser comparado
Tipos de propriedade de dados suportados	Qualquer tipo
Tipos de propriedade vetorial suportados	Float ReadOnlyMemory<>
Tipos de índice suportados	Apartamento
Funções de distância suportadas	Similaridade do Cosseno CosineDistância DotProductSimilarity Distância Euclidiana
Cláusulas de filtro suportadas	AnyTagEqualTo EqualTo
Suporta vários vetores em um registro	Sim
IsFilterable suportado?	Sim
IsFullTextSearchable suportado?	Sim
StoragePropertyName suportado?	Não, como o armazenamento é na memória e, portanto, a reutilização de dados não é possível, a nomenclatura personalizada não é aplicável.

Introdução

Adicione o pacote nuget do Semantic Kernel Core ao seu projeto.

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

Você pode adicionar o armazenamento vetorial ao contêiner de injeção de dependência disponível no KernelBuilder ou ao contêiner de IServiceCollection injeção de dependência usando métodos de extensão fornecidos pelo Semantic Kernel.

using Microsoft.SemanticKernel;

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

using Microsoft.SemanticKernel;

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

Você pode construir uma instância do InMemory Vetor Store diretamente.

using Microsoft.SemanticKernel.Connectors.InMemory;

var vectorStore = new InMemoryVectorStore();

É possível construir uma referência direta a uma coleção nomeada.

using Microsoft.SemanticKernel.Connectors.InMemory;

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

Pesquisa de propriedades Key e Vector

Por padrão, o conector In-Memory Vetor Store lerá os valores de chaves e vetores usando reflexão. As chaves e os vetores são assumidos como propriedades diretas no modelo de dados.

Se for necessário um modelo de dados que tenha uma estrutura onde chaves e vetores não são propriedades diretas do modelo de dados, é possível fornecer funções para ler os valores destes.

Ao usar isso, também é necessário fornecer um VectorStoreRecordDefinition para que as informações sobre o tamanho da dimensão do vetor e a função de distância possam ser comunicadas ao armazenamento vetorial In-Memory.

var collection = new InMemoryVectorStoreRecordCollection<string, MyDataModel>(
    "mydata",
    new()
    {
        VectorStoreRecordDefinition = vectorStoreRecordDefinition,
        KeyResolver = (record) => record.Key,
        VectorResolver = (vectorName, record) => record.Vectors[vectorName]
    });

private class MyDataModel
{
    public string Key { get; set; }
    public Dictionary<string, ReadOnlyMemory<float>> Vectors { get; set; }
}

Descrição geral

O conector In-Memory Vetor Store é uma implementação do Vetor Store fornecida pelo Semantic Kernel que não usa nenhum banco de dados externo e armazena dados na memória. Este Vetor Store é útil para cenários de prototipagem ou onde são necessárias operações de alta velocidade na memória.

O conector tem as seguintes características.

Área de funcionalidades	Suporte
Mapas da coleção para	Dicionário na memória
Tipos de propriedade de chave suportados	Qualquer um que tenha permissão para ser uma chave de dicionário, consulte a documentação do Python para obter detalhes aqui
Tipos de propriedade de dados suportados	Qualquer tipo
Tipos de propriedade vetorial suportados	lista[float | int] | matriz numpy
Tipos de índice suportados	Apartamento
Funções de distância suportadas	Semelhança de cosseno Distância Cosine Semelhança do produto Dot Distância Euclidiana Distância Euclidiana Quadrada Distância Manhattan Distância Hamming
Suporta vários vetores em um registro	Sim
Está is_filterable suportado?	Sim
is_full_text_searchable suportado?	Sim

Introdução

Adicione o pacote Semantic Kernel ao seu projeto.

pip install semantic-kernel

Você pode criar a loja e as coleções a partir daí, ou criar as coleções diretamente.

Nos trechos abaixo, supõe-se que você tenha uma classe de modelo de dados definida chamada 'DataModel'.

from semantic_kernel.connectors.memory.in_memory import InMemoryVectorStore

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

É possível construir uma referência direta a uma coleção nomeada.

from semantic_kernel.connectors.memory.in_memory import InMemoryCollection

vector_collection = InMemoryCollection("collection_name", DataModel)

Brevemente

Mais informações em breve.