Vector DB

InMemoryVectorStore

langchain-core에 내장된 의존성 없는 인메모리 벡터 스토어

#vector-db#in-memory#langchain-core공식 문서

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

파라미터타입기본값설명
embeddingEmbeddings(필수)문서·질의를 벡터로 바꿀 임베딩 객체. 예: OpenAIEmbeddings(model="text-embedding-3-small")

메서드와 반환값

메서드반환설명
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)NoneID로 삭제
dump(path) / load(path, embedding)None / 스토어JSON 파일로 저장·복원
as_retriever(**kwargs)VectorStoreRetrieversearch_type="similarity" 또는 "mmr"
asimilarity_search, aadd_documents …코루틴비동기 버전
  • filter는 딕셔너리가 아니라 Callable[[Document], bool] 함수입니다.
  • 반환되는 Document의 id 필드에 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