LangChain

VectorStore 인터페이스

모든 벡터 스토어가 공유하는 add/search/delete/as_retriever 메서드

#vectorstore#rag#similarity-search#mmr#retriever공식 문서

VectorStore는 LangChain의 벡터 스토어 추상 클래스입니다. Qdrant, Chroma, PGVector, Pinecone 등 모든 통합이 같은 메서드를 구현하므로 백엔드를 바꿔도 RAG 코드가 거의 그대로입니다. 각 DB 고유 기능(필터 문법, 하이브리드 검색)은 **kwargs로 전달됩니다. DB별 상세는 벡터 DB 섹션을 보세요.

Import

python
from langchain_core.vectorstores import VectorStore, InMemoryVectorStore, VectorStoreRetriever
from langchain_core.documents import Document

시그니처

python
class VectorStore(ABC):
    embeddings: Embeddings | None  # 프로퍼티

    def add_documents(self, documents: list[Document], **kwargs) -> list[str]
    def add_texts(self, texts: Iterable[str], metadatas: list[dict] | None = None, *,
                  ids: list[str] | None = None, **kwargs) -> list[str]
    def delete(self, ids: list[str] | None = None, **kwargs) -> bool | None
    def get_by_ids(self, ids: Sequence[str], /) -> list[Document]

    def similarity_search(self, query: str, k: int = 4, **kwargs) -> list[Document]
    def similarity_search_with_score(self, *args, **kwargs) -> list[tuple[Document, float]]
    def similarity_search_with_relevance_scores(self, query: str, k: int = 4, **kwargs) -> list[tuple[Document, float]]
    def similarity_search_by_vector(self, embedding: list[float], k: int = 4, **kwargs) -> list[Document]
    def max_marginal_relevance_search(self, query: str, k: int = 4, fetch_k: int = 20,
                                      lambda_mult: float = 0.5, **kwargs) -> list[Document]
    def search(self, query: str, search_type: str, **kwargs) -> list[Document]

    def as_retriever(self, **kwargs) -> VectorStoreRetriever

    @classmethod
    def from_documents(cls, documents: list[Document], embedding: Embeddings, **kwargs) -> Self
    @classmethod
    def from_texts(cls, texts: list[str], embedding: Embeddings, metadatas=None, *, ids=None, **kwargs)
    # 모든 메서드에 a* 비동기 버전 존재 (aadd_documents, asimilarity_search, ...)

InMemoryVectorStore(embedding: Embeddings)

파라미터

파라미터타입기본값설명
documentslist[Document]필수Document(page_content, metadata, id). id가 있으면 그 ID로 저장(upsert).
idslist[str] | NoneNone문서 ID. 지정하지 않으면 UUID가 생성됩니다. 같은 ID로 다시 넣으면 덮어씁니다.
querystr필수검색어. 내부에서 embed_query로 임베딩.
kint4반환 개수.
fetch_kint20(MMR) 다양성 재정렬 전에 가져올 후보 수.
lambda_multfloat0.5(MMR) 1에 가까울수록 관련성, 0에 가까울수록 다양성.
filter (kwargs)DB별메타데이터 필터. InMemoryVectorStore는 Callable[[Document], bool], Qdrant는 models.Filter, Chroma는 dict 등 DB마다 다릅니다.

as_retriever 인자

파라미터타입기본값설명
search_type"similarity" | "mmr" | "similarity_score_threshold""similarity"검색 방식.
search_kwargsdict{}k, filter, fetch_k, lambda_mult, score_threshold(threshold 방식 필수).
tags / metadata트레이싱 태그/메타데이터.

메서드와 반환값

메서드반환점수 의미
similarity_searchlist[Document]
similarity_search_with_scorelist[(Document, float)]DB 고유 점수(거리일 수도, 유사도일 수도 있음).
similarity_search_with_relevance_scoreslist[(Document, float)]0~1로 정규화된 관련도(클수록 관련).
as_retriever()VectorStoreRetrieverinvoke(query) -> list[Document] Runnable.

InMemoryVectorStore 추가 메서드: dump(path), InMemoryVectorStore.load(path, embedding).

예제

python
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings

store = InMemoryVectorStore(OpenAIEmbeddings(model="text-embedding-3-small"))
ids = store.add_documents([
    Document("LangGraph는 상태 그래프 런타임이다.", metadata={"topic": "langgraph"}, id="d1"),
    Document("체크포인터는 스레드별 상태를 저장한다.", metadata={"topic": "langgraph"}, id="d2"),
    Document("Qdrant는 Rust로 만든 벡터 DB다.", metadata={"topic": "vectordb"}, id="d3"),
])
print(ids)

for doc, score in store.similarity_search_with_score("상태 저장", k=2):
    print(round(score, 3), doc.id, doc.page_content)

# InMemoryVectorStore의 filter는 Document를 받는 함수
only_db = store.similarity_search("데이터베이스", k=2, filter=lambda d: d.metadata["topic"] == "vectordb")
print([d.id for d in only_db])

retriever = store.as_retriever(search_type="mmr", search_kwargs={"k": 2, "fetch_k": 3})
print([d.id for d in retriever.invoke("LangGraph")])

store.delete(ids=["d3"])
print(store.get_by_ids(["d1", "d3"]))  # 삭제된 d3는 빠짐

주의사항

주의

filter 형식은 DB마다 다릅니다. 같은 as_retriever(search_kwargs={"filter": ...}) 코드라도 백엔드를 바꾸면 필터 객체를 다시 써야 합니다.

주의

similarity_search_with_score의 점수는 DB와 거리 함수에 따라 "작을수록 가깝다"(거리)일 수도, "클수록 가깝다"(유사도)일 수도 있습니다. 임계값 필터링에는 정규화된 similarity_search_with_relevance_scores나 search_type="similarity_score_threshold"를 쓰세요.

팁

재색인 시 중복을 막으려면 원문 경로·청크 번호 같은 결정적 ID를 지정하세요. 같은 ID로 다시 넣으면 덮어쓰기(upsert)가 됩니다.

관련 문서