Google Colab

使用 Google Colab 管理您的 Supabase 向量存储

Google Colab 是一项托管的 Jupyter Notebook 服务。它提供免费的计算资源访问，包括 GPU 和 TPU，非常适合机器学习、数据科学和教育用途。我们可以使用 Colab 通过 Supabase Vecs 来管理向量集合。

在本教程中，我们将连接运行在 Supabase 平台上的数据库。如果您还没有数据库，可以在这里创建：database.new。

创建新笔记本

首先访问 colab.research.google.com。在那里您可以创建一个新笔记本。

Google Colab 新建笔记本

安装 Vecs

我们将使用 Supabase 向量客户端 Vecs 来管理我们的集合。

在笔记本顶部添加以下代码，然后点击"执行"按钮（ctrl+enter）：

1
pip install vecs

安装 vecs

连接数据库

在项目仪表板中点击 Connect。连接字符串应类似于 postgres://postgres.xxxx:password@xxxx.pooler.supabase.com:6543/postgres

在安装代码块下方新建一个代码块（ctrl+m b），并添加以下代码，使用您复制的 Postgres URI：

1
2
3
4
5
6
7
import vecsDB_CONNECTION = "postgres://postgres.xxxx:password@xxxx.pooler.supabase.com:6543/postgres"# 创建向量存储客户端vx = vecs.create_client(DB_CONNECTION)

执行代码块（ctrl+enter）。如果没有返回错误，则表示连接成功。

创建集合

现在我们将创建一个新集合并插入一些文档。

在安装代码块下方新建一个代码块（快捷键 ctrl+m b）。将以下代码添加到代码块中并执行（快捷键 ctrl+enter）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
collection = vx.get_or_create_collection(name="colab_collection", dimension=3)collection.upsert(    vectors=[        (         "vec0",           # 向量标识符         [0.1, 0.2, 0.3],  # 向量值，可以是列表或np.array         {"year": 1973}    # 关联的元数据        ),        (         "vec1",         [0.7, 0.8, 0.9],         {"year": 2012}        )    ])

这将在您数据库的 vecs 模式中创建一个名为 colab_collection 的表。您可以通过表格编辑器查看插入的项目，只需从模式下拉菜单中选择 vecs 模式。

Colab文档

查询文档

现在我们可以基于相似性搜索文档。新建一个代码块并执行以下代码：

1
2
3
4
5
6
7
8
collection.query(    query_vector=[0.4,0.5,0.6],  # 必需参数    limit=5,                     # 返回记录数量    filters={},                  # 元数据过滤器    measure="cosine_distance",   # 使用的距离度量方式    include_value=False,         # 是否返回距离度量值？    include_metadata=False,      # 是否返回记录元数据？)

您将看到返回了一个包含两个文档的数组 ['vec1', 'vec0']：

Colab结果

同时还会返回一个警告：

1
查询没有为cosine_distance创建覆盖索引。

您可以在Vecs文档中了解更多关于创建索引的信息。