Vector DB
InMemoryVectorStore
langchain-core에 내장된 의존성 없는 인메모리 벡터 스토어
InMemoryVectorStore
langchain-core에 포함된 가장 단순한 벡터 스토어입니다. 문서와 벡터를 파이썬 딕셔너리에 저장하고 전수 코사인 유사도(Flat) 로 검색합니다. 별도 서버나 패키지가 필요 없어 학습, 단위 테스트, 수천 건 이하 프로토타입에 적합합니다.
Import
bash
pip install langchain-core # langchain 설치 시 함께 설치됨
python
from langchain_core.vectorstores import InMemoryVectorStore
시그니처
python
InMemoryVectorStore(embedding: Embeddings) -> None
# 클래스 메서드
InMemoryVectorStore.from_texts(texts: list[str], embedding: Embeddings,
metadatas: list[dict] | None = None, **kwargs) -> InMemoryVectorStore
InMemoryVectorStore.from_documents(documents: list[Document], embedding: Embeddings, **kwargs)
InMemoryVectorStore.load(path: str, embedding: Embeddings, **kwargs) -> InMemoryVectorStore
파라미터
| 파라미터 | 타입 | 기본값 | 설명 |
|---|---|---|---|
embedding | Embeddings | (필수) | 문서·질의를 벡터로 바꿀 임베딩 객체. 예: OpenAIEmbeddings(model="text-embedding-3-small") |
메서드와 반환값
| 메서드 | 반환 | 설명 |
|---|---|---|
add_documents(documents, ids=None) | list[str] | 문서 추가. ids 생략 시 UUID 생성. 같은 ID면 덮어씀 |
add_texts(texts, metadatas=None, ids=None) | list[str] | 텍스트 리스트 추가 |
similarity_search(query, k=4, filter=None) | list[Document] | 코사인 유사도 상위 k개 |
similarity_search_with_score(query, k=4, filter=None) | list[tuple[Document, float]] | 점수는 코사인 유사도(클수록 유사) |
similarity_search_by_vector(embedding, k=4, **kwargs) | list[Document] | 이미 계산한 벡터로 검색 (filter=는 kwargs로 전달) |
max_marginal_relevance_search(query, k=4, fetch_k=20, lambda_mult=0.5, filter=None) | list[Document] | MMR로 다양성 확보 |
get_by_ids(ids, /) | list[Document] | ID로 조회 |
delete(ids=None) | None | ID로 삭제 |
dump(path) / load(path, embedding) | None / 스토어 | JSON 파일로 저장·복원 |
as_retriever(**kwargs) | VectorStoreRetriever | search_type="similarity" 또는 "mmr" |
asimilarity_search, aadd_documents … | 코루틴 | 비동기 버전 |
filter는 딕셔너리가 아니라Callable[[Document], bool]함수입니다.- 반환되는
Document의id필드에 저장 ID가 채워집니다.
예제
추가·필터 검색·삭제
python
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
store = InMemoryVectorStore(embedding=embeddings)
ids = store.add_documents(
[
Document(page_content="LangGraph는 상태 기반 그래프 런타임이다.", metadata={"topic": "langgraph"}),
Document(page_content="Qdrant는 Rust로 작성된 벡터 DB다.", metadata={"topic": "vectordb"}),
Document(page_content="체크포인터는 스레드별 상태를 저장한다.", metadata={"topic": "langgraph"}),
],
ids=["d1", "d2", "d3"],
)
# 메타데이터 필터는 Document -> bool 함수
docs = store.similarity_search(
"그래프 상태 저장", k=2, filter=lambda d: d.metadata["topic"] == "langgraph"
)
for d in docs:
print(d.id, d.page_content)
for doc, score in store.similarity_search_with_score("벡터 DB", k=1):
print(f"{score:.3f}", doc.page_content)
print(store.get_by_ids(["d2"])[0].metadata)
store.delete(ids=["d2"])
MMR 리트리버
python
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings
store = InMemoryVectorStore.from_texts(
["파이썬 리스트", "파이썬 리스트 컴프리헨션", "파이썬 딕셔너리", "자바 스트림", "러스트 소유권"],
embedding=OpenAIEmbeddings(model="text-embedding-3-small"),
)
mmr = store.as_retriever(
search_type="mmr",
search_kwargs={"k": 3, "fetch_k": 5, "lambda_mult": 0.3}, # lambda↓ = 다양성↑
)
print([d.page_content for d in mmr.invoke("파이썬 자료구조")])
주의사항
주의
as_retriever(search_type="similarity_score_threshold")는 InMemoryVectorStore에서 NotImplementedError 가 납니다. relevance score 함수(_select_relevance_score_fn)를 구현하지 않았기 때문입니다. 임계값 필터가 필요하면 similarity_search_with_score 결과를 직접 거르거나 Qdrant/Chroma를 쓰세요.
주의
프로세스가 끝나면 데이터가 사라집니다. dump()는 JSON에 벡터를 그대로 쓰므로 수만 건 이상에서는 파일이 커지고 느립니다. 검색도 O(N) 전수 비교라 운영용이 아닙니다.
팁
테스트에서는 langchain_core.embeddings.DeterministicFakeEmbedding(size=...)과 조합하면 API 호출 없이 결정적인 결과를 얻을 수 있습니다.
관련 문서
- 벡터 스토어 인터페이스
- 리트리버
- Qdrant — 같은 코드를 영속 DB로 옮길 때
- 공식 문서: InMemoryVectorStore