LangChain
VectorStore 인터페이스
모든 벡터 스토어가 공유하는 add/search/delete/as_retriever 메서드
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
| 파라미터 | 타입 | 기본값 | 설명 |
|---|---|---|---|
documents | list[Document] | 필수 | Document(page_content, metadata, id). id가 있으면 그 ID로 저장(upsert). |
ids | list[str] | None | None | 문서 ID. 지정하지 않으면 UUID가 생성됩니다. 같은 ID로 다시 넣으면 덮어씁니다. |
query | str | 필수 | 검색어. 내부에서 embed_query로 임베딩. |
k | int | 4 | 반환 개수. |
fetch_k | int | 20 | (MMR) 다양성 재정렬 전에 가져올 후보 수. |
lambda_mult | float | 0.5 | (MMR) 1에 가까울수록 관련성, 0에 가까울수록 다양성. |
filter (kwargs) | DB별 | 메타데이터 필터. InMemoryVectorStore는 Callable[[Document], bool], Qdrant는 models.Filter, Chroma는 dict 등 DB마다 다릅니다. |
as_retriever 인자
| 파라미터 | 타입 | 기본값 | 설명 |
|---|---|---|---|
search_type | "similarity" | "mmr" | "similarity_score_threshold" | "similarity" | 검색 방식. |
search_kwargs | dict | {} | k, filter, fetch_k, lambda_mult, score_threshold(threshold 방식 필수). |
tags / metadata | 트레이싱 태그/메타데이터. |
메서드와 반환값
| 메서드 | 반환 | 점수 의미 |
|---|---|---|
similarity_search | list[Document] | |
similarity_search_with_score | list[(Document, float)] | DB 고유 점수(거리일 수도, 유사도일 수도 있음). |
similarity_search_with_relevance_scores | list[(Document, float)] | 0~1로 정규화된 관련도(클수록 관련). |
as_retriever() | VectorStoreRetriever | invoke(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.