Weaviate

以下是所有可用 Weaviate 过程的列表，请注意，过程列表和签名与其他过程（如 Qdrant 过程）保持一致。

名称 描述

apoc.vectordb.weaviate.createCollection(hostOrKey, collection, similarity, size, $config)

创建集合，集合名称在第二个参数中指定，并具有指定的 similarity 和 size。默认端点为 <hostOrKey 参数>/schema。

apoc.vectordb.weaviate.deleteCollection(hostOrKey, collection, $config)

删除第二个参数中指定名称的集合。默认端点为 <hostOrKey 参数>/schema/<collection 参数>。

apoc.vectordb.weaviate.upsert(hostOrKey, collection, vectors, $config)

在第二个参数中指定名称的集合中更新或插入向量 [{id: 'id', vector: '<vectorDb>', medatada: '<metadata>'}]. 默认端点为 <hostOrKey 参数>/objects。

apoc.vectordb.weaviate.delete(hostOrKey, collection, ids, $config)

删除指定 ids 的向量。默认端点为 <hostOrKey 参数>/schema。

apoc.vectordb.weaviate.get(hostOrKey, collection, ids, $config)

获取指定 ids 的向量。默认端点为 <hostOrKey 参数>/schema。

apoc.vectordb.weaviate.query(hostOrKey, collection, vector, filter, limit, $config)

从定义的 vector 中检索最接近的向量，limit 结果数量，在第二个参数中指定名称的集合中。请注意，除了常见的配置参数外，此过程还需要一个 field: [listOfProperty] 配置，以定义要从幕后运行的 GraphQL 中检索哪些属性。默认端点为 <hostOrKey 参数>/graphql。

apoc.vectordb.weaviate.getAndUpdate(hostOrKey, collection, ids, $config)

获取指定 ids 的向量，并可以选择创建/更新 Neo4j 实体。默认端点为 <hostOrKey 参数>/schema。

apoc.vectordb.weaviate.queryAndUpdate(hostOrKey, collection, vector, filter, limit, $config)

从定义的vector中检索最近的向量，limit为结果数量，在第二个参数指定的名称的集合中，并可选地创建/更新neo4j实体。请注意，除了常见的配置参数外，此过程还需要一个field: [listOfProperty]配置，以定义要从后台运行的GraphQL中检索哪些属性。默认端点为<hostOrKey 参数>/graphql。

其中第一个参数可以是apoc配置apoc.weaviate.<key>.host=myHost定义的键。当hostOrKey=null时，默认为'http://localhost:8080/v1'。

示例

创建集合（它利用了此API）
CALL apoc.vectordb.weaviate.createCollection($host, 'test_collection', 'Cosine', 4, {<optional config>})
使用API密钥对远程连接创建集合（参见此处）
CALL apoc.vectordb.weaviate.createCollection("https://<weaviateInstanceId>.weaviate.network",
    'TestCollection',
    'cosine',
    4,
    {headers: {Authorization: 'Bearer <apiKey>'}})
删除集合（它利用了此API）
CALL apoc.vectordb.weaviate.deleteCollection($host, 'test_collection', {<optional config>})
Upsert向量（它利用了此API）
CALL apoc.vectordb.weaviate.upsert($host, 'test_collection',
    [
        {id: "8ef2b3a7-1e56-4ddd-b8c3-2ca8901ce308", vector: [0.05, 0.61, 0.76, 0.74], metadata: {city: "Berlin", foo: "one"}},
        {id: "9ef2b3a7-1e56-4ddd-b8c3-2ca8901ce308", vector: [0.19, 0.81, 0.75, 0.11], metadata: {city: "London", foo: "two"}}
    ],
    {<optional config>})
获取向量（它利用了此API）
CALL apoc.vectordb.weaviate.get($host, 'test_collection', [1,2], {<optional config>})
表1. 示例结果
得分 元数据 ID 向量 文本 实体 错误

空

{city: "Berlin", foo: "one"}

空

空

空

空

空

空

{city: "Berlin", foo: "two"}

空

空

空

空

空
使用{allResults: true}获取向量
CALL apoc.vectordb.weaviate.get($host, 'test_collection', [1,2], {allResults: true, <optional config>})
表2. 示例结果
得分 元数据 ID 向量 文本 实体 错误

空

{city: "Berlin", foo: "one"}

1

[…​]

空

空

空

空

{city: "Berlin", foo: "two"}

2

[…​]

空

空

空
查询向量（它利用了此处）
CALL apoc.vectordb.weaviate.query($host,
    'test_collection',
    [0.2, 0.1, 0.9, 0.7],
    '{operator: Equal, valueString: "London", path: ["city"]}',
    5,
    {fields: ["city", "foo"], allResults: true, <other optional config>})
表3. 示例结果
得分 元数据 ID 向量 文本 错误

1,

{city: "Berlin", foo: "one"}

1

[…​]

空

空

0.1

{city: "Berlin", foo: "two"}

2

[…​]

空

空

如果发生错误，例如由于apoc.vectordb.weaviate.query的第三个参数向量大小错误，则错误字段将被填充，例如

表4. 示例结果
得分 元数据 ID 向量 文本 错误

空

空

空

空

空

..向量搜索：knn搜索：入口点和查询节点之间的距离：向量长度不匹配：4 vs 3..

我们可以定义一个映射，通过利用向量元数据来获取关联的节点和关系，并可选地创建它们。

例如，如果我们使用上述upsert过程创建了2个向量，我们可以填充一些现有的节点（即(:Test {myId: 'one'})和(:Test {myId: 'two'})）

CALL apoc.vectordb.weaviate.queryAndUpdate($host, 'test_collection',
    [0.2, 0.1, 0.9, 0.7],
    {},
    5,
    { fields: ["city", "foo"],
      mapping: {
        embeddingKey: "vect",
        nodeLabel: "Test",
        entityKey: "myId",
        metadataKey: "foo"
      }
    })

这将填充两个节点为：(:Test {myId: 'one', city: 'Berlin', vect: [vector1]})和(:Test {myId: 'two', city: 'London', vect: [vector2]})，这将在entity列结果中返回。

我们还可以将映射配置mode设置为CREATE_IF_MISSING（如果不存在则创建节点）、READ_ONLY（搜索节点/关系，而不进行更新）或UPDATE_EXISTING（默认行为）

CALL apoc.vectordb.weaviate.queryAndUpdate($host, 'test_collection',
    [0.2, 0.1, 0.9, 0.7],
    {},
    5,
    { fields: ["city", "foo"],
      mapping: {
        mode: "CREATE_IF_MISSING",
        embeddingKey: "vect",
        nodeLabel: "Test",
        entityKey: "myId",
        metadataKey: "foo"
      }
    })

这将创建上面提到的2个新节点。

或者，我们可以填充现有的关系（即(:Start)-[:TEST {myId: 'one'}]→(:End)和(:Start)-[:TEST {myId: 'two'}]→(:End)）

CALL apoc.vectordb.weaviate.queryAndUpdate($host, 'test_collection',
    [0.2, 0.1, 0.9, 0.7],
    {},
    5,
    { fields: ["city", "foo"],
      mapping: {
        embeddingKey: "vect",
        relType: "TEST",
        entityKey: "myId",
        metadataKey: "foo"
      }
    })

这将填充两个关系为：()-[:TEST {myId: 'one', city: 'Berlin', vect: [vector1]}]-()和()-[:TEST {myId: 'two', city: 'London', vect: [vector2]}]-()，这将在entity列结果中返回。

我们也可以将映射用于apoc.vectordb.weaviate.query过程，以搜索符合标签/类型和元数据键的节点/关系，而不进行更新（即等效于映射配置具有mode: "READ_ONLY"的*.queryOrUpdate过程）。

例如，使用先前的关系，我们可以执行以下过程，它只在rel列中返回关系

CALL apoc.vectordb.weaviate.query($host, 'test_collection',
    [0.2, 0.1, 0.9, 0.7],
    {},
    5,
    { fields: ["city", "foo"],
      mapping: {
        relType: "TEST",
        entityKey: "myId",
        metadataKey: "foo"
      }
    })

我们也可以将映射与apoc.vectordb.weaviate.get*过程一起使用。

为了优化性能，我们可以选择使用apoc.vectordb.weaviate.query和apoc.vectordb.weaviate.get过程YIELD什么。

例如，通过执行CALL apoc.vectordb.weaviate.query(…​) YIELD metadata, score, id，RestAPI请求将具有{"with_payload": false, "with_vectors": false}，以便我们不返回不需要的其他值。

可以将向量数据库过程与apoc.ml.rag一起执行，如下所示

CALL apoc.vectordb.weaviate.getAndUpdate($host, $collection, [<id1>, <id2>], $conf) YIELD score, node, metadata, id, vector
WITH collect(node) as paths
CALL apoc.ml.rag(paths, $attributes, $question, $confPrompt) YIELD value
RETURN value
删除向量（它利用了此API）
CALL apoc.vectordb.weaviate.delete($host, 'test_collection', [1,2], {<optional config>})

性能

下表显示了在100,000条记录样本上所有操作花费的时间，使用具有8个CPU、内存限制10GB和交换空间1.5GB的Docker在MacBook Pro M3 Pro 18GB Ram上进行测试。

表5. 性能结果
操作 时间（毫秒）

apoc.vectordb.weaviate.createCollection

59

apoc.vectordb.weaviate.upsert

319766

apoc.vectordb.weaviate.get

41431

apoc.vectordb.weaviate.query

1887

apoc.vectordb.weaviate.delete

53218

apoc.vectordb.weaviate.deleteCollection

201