简介

为了存储和搜索非结构化数据，一个广泛采用的方法是将数据嵌入到向量中，并在向量数据库中存储和索引。promptflow-vectordb SDK为PromptFlow设计，提供在流行的向量数据库中进行向量相似度搜索的基本工具，包括FAISS、Qdrant、Azure Congnitive Search等。

0.2.13

• 引入了新工具 - Rerank，作为执行给定文档和查询的语义排序的单个工具。
• 将Rerank标记为预览版。

0.2.12

• 添加了azureml-telemetry作为额外安装选项，以启用进一步的日志记录。添加了字段到自定义环境以进行日志记录。

0.2.11

• 从vectordb包中排除azureml-rag 0.2.31。
• 添加了对自行提供的Azure CosmosDB for PostgreSQL索引的支持。

0.2.10

• 添加了对自行提供的Elasticsearch索引的支持。
• 现在可以直接使用无服务器部署进行嵌入，而不需要创建无服务器连接。
• 将Serverless Endpoints重命名为Serverless Deployments。
• 从Index Lookup中删除预览标签。

0.2.9

• 修复了与langchain 0.1的兼容性问题，该问题破坏了Azure AI Search语义搜索。
• 重构了Index Lookup中的元数据检索。现在，特定请求的元数据字段现在存在于检索结果的metadata属性中，所有其他检索字段都已移动到additional_fields，而不是被丢弃。
• 添加了对自行提供的Azure CosmosDB for MongoDB vCore索引的支持。

0.2.8

• 添加了对langchain 0.1的支持。
• 将FAISS Index Lookup、Vector Index Lookup和Vector DB Lookup的内部实现替换为Index Lookup的内部实现。
• 在Index Lookup中使用azureml.rag记录器和promptflow.tool记录器。

0.2.7

• 在Index Lookup中添加了对无服务器部署连接的支持。
• 添加了对在相同进程中运行多个Index Lookup实例而不发生冲突的支持。
• 自动检测支持嵌入模型的嵌入向量长度。

0.2.6

• 从索引查找发出粒度更细的跟踪信息，供动作分析器使用。

0.2.5

• 当输入查询为意外类型时，引入改进的错误消息。
• 将FAISS索引查找、向量索引查找和向量数据库查找标记为存档。
• 添加对text-embedding-3-small和text-embedding-3-large嵌入模型的支持。

0.2.4

• 将FAISS索引查找、向量索引查找和向量数据库查找标记为已弃用。
• 在mlindex_content YAML中引入了self部分，以携带有关资产ID和路径的信息，该路径是从MLIndex检索的。
• 索引查找现在缓存vectorstore构建步骤，以获得更好的运行时性能。
• 为了与python < 3.9兼容，使用functools.lru_cache而不是functools.cache。
• 使用ruamel.yaml而不是pyyaml，以便支持yaml 1.2。

0.2.3

• 实现HTTP缓存以改善回调性能。
• 未指定embedding_type的值与选择None具有相同的行为。
• 索引查找遵守通过PF_LOGGING_LEVEL环境变量设置的日志级别。

0.2.2

• 引入了新的工具-索引查找，作为对支持的索引类型执行查找的单个工具。
• 将索引查找标记为预览。