基于lancedb的本地轻量知识库

官方文档
https://lancedb.github.io/lancedb/

配置

引入依赖

1	npm install @lancedb/lancedb@preview

连接数据库

1
2
3

import * as lancedb from "@lancedb/lancedb";
const db = await lancedb.connect("数据库文件夹路径");
// 路径不存在会创建

常见API

`Database 对象 (db)`

db.tableNames() 获取所有表名
db.hasTable(name) 判断表是否存在
db.openTable(name) 打开已存在的表

db.createTable(name, rows, options?) 新建表

rows: JS 对象数组或 Arrow Table
options.vectorColumn: 指定向量列
options.vectorIndex: 指定索引（IVFFlat / HNSW 等）

 //建表时
 await db.createTable("docs", rows, {
   vectorColumn: "embedding",    // 指定向量字段
   vectorIndex: { 
     type: "IVFFlat",            // 索引类型
     metric: "cosine"            // 相似度度量方式
   }
 });

//已有表上添加
 await table.createIndex("embedding", {
  type: "IVFFlat",
  metric: "cosine"
 });

db.dropTable(name) 删除表

`Table 对象 (table)`

数据操作
- table.add(rows) → 插入数据
- table.update(rows, filter) → 更新数据（需带条件）
- table.delete(filter) → 删除数据

查询

table.query() → 普通查询构造器
.where(“id > 2”)
.select([“id”, “text”])
.limit(5)
.toArray() → 执行查询并返回数组

const result = await table.query()
.where("id > 2")           // 条件过滤（支持 SQL-like 表达式）
.select(["id", "text"])    // 选择字段
.limit(5)                  // 限制返回条数
.toArray();                // 执行并返回数组

table.vectorSearch(queryVector) → 向量搜索构造器
.limit(3)
.select([“id”, “text”])
.toArray()

const queryVector = [0.1, 0.2, 0.3];

const result = await table.vectorSearch(queryVector)
.limit(3)                  // Top-K
.select(["id", "text"])    // 只取需要的字段
.toArray();                // 返回结果