向量存储与 RAG

YH-UI 提供完整的向量存储抽象层与生产级 RAG 支持。

createInMemoryVectorStore - 内存向量存储

适用于开发与小规模场景，使用余弦相似度检索。

import { createInMemoryVectorStore } from '@yh-ui/ai-sdk'

const vectorStore = createInMemoryVectorStore()

// 添加文档向量
await vectorStore.add([
  {
    id: 'doc-1',
    content: 'Vue 3 是一个渐进式 JavaScript 框架',
    embedding: [0.1, 0.2, 0.3 /* ... */],
    metadata: { source: 'vue-docs' }
  }
])

// 相似度检索
const results = await vectorStore.search([0.1, 0.2, 0.3], {
  topK: 5,
  threshold: 0.7
})

console.log(results[0].content)

API

方法	说明
add(documents, namespace?)	添加文档向量
search(queryEmbedding, options)	相似度检索
delete(ids, namespace?)	按 ID 删除
clear(namespace?)	清空命名空间

外部向量存储接口

YH-UI 为 Pinecone、Weaviate、Qdrant 提供配置类型，可自行实现适配器。

import type {
  VectorStoreConfig,
  PineconeVectorStoreConfig,
  WeaviateVectorStoreConfig,
  QdrantVectorStoreConfig
} from '@yh-ui/ai-sdk'

// Pinecone 配置示例
const pineconeConfig: PineconeVectorStoreConfig = {
  apiKey: 'your-api-key',
  indexName: 'your-index',
  environment: 'us-east1-aws'
}

createProductionRAG - 生产级 RAG

构建完整的 RAG 流程：文档加载、向量化、存储、检索、生成。

import { createProductionRAG, createInMemoryVectorStore } from '@yh-ui/ai-sdk'

// 创建 RAG 系统
const rag = createProductionRAG({
  namespace: 'my-knowledge-base',
  topK: 5,
  similarityThreshold: 0.5,
  includeSources: true,
  vectorStore: createInMemoryVectorStore(),
  embed: async (text) => {
    // 调用嵌入 API 获取向量
    const response = await fetch('/api/embed', {
      method: 'POST',
      body: JSON.stringify({ text })
    })
    return response.json()
  }
})

// 添加文档（自动向量化）
await rag.addDocuments([
  { content: 'Vue 3 的核心特性包括响应式系统', metadata: { source: 'vue' } },
  { content: 'Composition API 是 Vue 3 的新特性', metadata: { source: 'vue' } }
])

// 查询
const result = await rag.query('Vue 3 有什么新特性？', async (prompt) => {
  const response = await fetch('/api/chat', {
    method: 'POST',
    body: JSON.stringify({ prompt })
  })
  return response.json()
})

console.log(result.answer) // LLM 生成的回答
console.log(result.sources) // 引用来源

API

方法	说明
addDocuments(documents)	添加文档，自动向量化
retrieve(query, k?)	仅检索文档
query(question, llm)	检索 + 生成答案
clear()	清空知识库

返回值

interface RAGResult {
  answer: string // LLM 生成的回答
  sources: Array<{
    // 引用来源
    content: string
    metadata: Record<string, unknown>
    score: number
  }>
  contextUsed: string // 使用的上下文（用于调试）
}

TIP

配合 @yh-ui/ai-sdk 的文档加载器使用，效果更佳。

注意

1. embed 函数需要自行实现或调用嵌入 API（如 OpenAI Embedding、Azure OpenAI Embedding 等）
2. 生产环境建议使用 Pinecone、Weaviate 等云向量存储
3. 合理设置 similarityThreshold，过高可能导致无检索结果