LangChain 作为一个以 LLM 模型为核心的开发框架出现，为自然语言处理开启了一个充满可能性的世界。借助 LangChain，我们可以创建各种应用程序，包括聊天机器人和智能问答工具。

LangChain社区的star数量已经达到84K，做为一名程序员，非常有必要熟练的使用这个框架。

接下来，手把手的教大家怎样使用langchain和postgresql向量数据库，实现最简单的知识库。

STEP1： 安装postgresql和pgvector插件

详情参考我之前的文章：AI编程之手把手教你在CentOS安装Postgresql的Vector向量数据库

STEP2： 安装各种依赖库

psycopg2，是Python语言的PostgreSQL数据库接口。它的主要优势在于完全支持Python DB API 2.0，以及安全的多线程支持。它适用于随时创建、销毁大量游标的、和产生大量并发INSERT、UPDATE操作的多线程数据库应用。Psycopg包内含 ZPsycopgDA，一个Zope数据库接口。

执行下面的命令安装pgvector依赖和psycopg2依赖：

sudo pip install --upgrade pgvector
sudo pip install --upgrade psycopg2-binary

STEP3：代码秀

使用python简单的做知识库构建确实很简单，相较而言JAVA语言比较复杂，要自己实现EmbeddingStore。参见我前面的文章：
AI编程之手把手教你使用postgresql向量数据库建设知识库JAVA版

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores.pgvector import PGVector
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

loader = TextLoader("/Users/***/docs/demo.txt")
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000,chunk_overlap=0)
docs = text_splitter.split_documents(documents)
#初始化openai
embeddings = OpenAIEmbeddings(openai_api_key="*** ",openai_api_base="***")
#初始化postgresql连接串
CONNCTION_STRING = PGVector.connection_string_from_db_params(
host="*.*.*.*",
port=5432,
database="leotest1",
user="leotest",
password="****",
driver="psycopg2"
)
#把拆分后的文档，通过openai embedding向量化存储到postgresql向量库里。
COLLECTION_NAME = "leokbpython"
db = PGVector.from_documents(
embedding = embeddings,
documents = docs,
collection_name = COLLECTION_NAME,
connection_string = CONNCTION_STRING,
)

#检索一下知识库看看
query = "今年五一旅游火爆吗？"
docs_with_score = db.similarity_search_with_score(query)

for doc, score in docs_with_score:
print("-" * 80)
print("Score: ", score)
print(doc.page_content)
print("-" * 80)

程序输出：

STEP4：看看向量数据库里的存储内容

STEP5： 后续

后续将使用langchain，实现更多的CASE，敬请关注。

作者简介：

leo，互联网大厂AI架构师，欢迎私信交流