跳转到主要内容

​
概述

WeaviateVectorSearchTool 专门用于在存储于 Weaviate 向量数据库中的文档内进行语义搜索。该工具允许您查找与给定查询语义相似的文档，利用向量和关键词搜索的力量，以获得更准确、更具上下文相关性的搜索结果。 Weaviate 是一个存储和查询向量嵌入的向量数据库，支持语义搜索功能。

​
安装

要将此工具集成到您的项目中，您需要安装 Weaviate 客户端 
uv add weaviate-client

​
开始步骤

要有效使用 WeaviateVectorSearchTool，请遵循以下步骤
  1. 软件包安装：确认在您的 Python 环境中已安装 crewai[tools] 和 weaviate-client 软件包。
  2. Weaviate 设置：设置一个 Weaviate 集群。您可以按照 Weaviate 文档中的说明进行操作。
  3. API 密钥：获取您的 Weaviate 集群 URL 和 API 密钥。
  4. OpenAI API 密钥：确保您的环境变量中已设置 OpenAI API 密钥，名称为 OPENAI_API_KEY。

​
示例

以下示例演示了如何初始化工具并执行搜索
代码
from crewai_tools import WeaviateVectorSearchTool

# Initialize the tool
tool = WeaviateVectorSearchTool(
    collection_name='example_collections',
    limit=3,
    alpha=0.75,
    weaviate_cluster_url="https://your-weaviate-cluster-url.com",
    weaviate_api_key="your-weaviate-api-key",
)

@agent
def search_agent(self) -> Agent:
    '''
    This agent uses the WeaviateVectorSearchTool to search for 
    semantically similar documents in a Weaviate vector database.
    '''
    return Agent(
        config=self.agents_config["search_agent"],
        tools=[tool]
    )

​
参数

WeaviateVectorSearchTool 接受以下参数
  • collection_name：必需。要搜索的集合名称。
  • weaviate_cluster_url：必需。Weaviate 集群的 URL。
  • weaviate_api_key：必需。Weaviate 集群的 API 密钥。
  • limit：可选。返回结果的数量。默认为 3。
  • alpha：可选。控制向量搜索和关键词（BM25）搜索之间的权重。alpha = 0 -> 仅 BM25，alpha = 1 -> 仅向量搜索。默认为 0.75。
  • vectorizer：可选。要使用的向量化器。如果未提供，将使用 text2vec_openai 及 nomic-embed-text 模型。
  • generative_model：可选。要使用的生成模型。如果未提供，将使用 OpenAI 的 gpt-4o。

​
高级配置

您可以自定义工具使用的向量化器和生成模型
代码
from crewai_tools import WeaviateVectorSearchTool
from weaviate.classes.config import Configure

# Setup custom model for vectorizer and generative model
tool = WeaviateVectorSearchTool(
    collection_name='example_collections',
    limit=3,
    alpha=0.75,
    vectorizer=Configure.Vectorizer.text2vec_openai(model="nomic-embed-text"),
    generative_model=Configure.Generative.openai(model="gpt-4o-mini"),
    weaviate_cluster_url="https://your-weaviate-cluster-url.com",
    weaviate_api_key="your-weaviate-api-key",
)

​
预加载文档

您可以在使用工具前将文档预加载到您的 Weaviate 数据库中
代码
import os
from crewai_tools import WeaviateVectorSearchTool
import weaviate
from weaviate.classes.init import Auth

# Connect to Weaviate
client = weaviate.connect_to_weaviate_cloud(
    cluster_url="https://your-weaviate-cluster-url.com",
    auth_credentials=Auth.api_key("your-weaviate-api-key"),
    headers={"X-OpenAI-Api-Key": "your-openai-api-key"}
)

# Get or create collection
test_docs = client.collections.get("example_collections")
if not test_docs:
    test_docs = client.collections.create(
        name="example_collections",
        vectorizer_config=Configure.Vectorizer.text2vec_openai(model="nomic-embed-text"),
        generative_config=Configure.Generative.openai(model="gpt-4o"),
    )

# Load documents
docs_to_load = os.listdir("knowledge")
with test_docs.batch.dynamic() as batch:
    for d in docs_to_load:
        with open(os.path.join("knowledge", d), "r") as f:
            content = f.read()
        batch.add_object(
            {
                "content": content,
                "year": d.split("_")[0],
            }
        )

# Initialize the tool
tool = WeaviateVectorSearchTool(
    collection_name='example_collections', 
    limit=3,
    alpha=0.75,
    weaviate_cluster_url="https://your-weaviate-cluster-url.com",
    weaviate_api_key="your-weaviate-api-key",
)

​
代理集成示例

以下是如何将 WeaviateVectorSearchTool 与 CrewAI 智能体集成
代码
from crewai import Agent
from crewai_tools import WeaviateVectorSearchTool

# Initialize the tool
weaviate_tool = WeaviateVectorSearchTool(
    collection_name='example_collections',
    limit=3,
    alpha=0.75,
    weaviate_cluster_url="https://your-weaviate-cluster-url.com",
    weaviate_api_key="your-weaviate-api-key",
)

# Create an agent with the tool
rag_agent = Agent(
    name="rag_agent",
    role="You are a helpful assistant that can answer questions with the help of the WeaviateVectorSearchTool.",
    llm="gpt-4o-mini",
    tools=[weaviate_tool],
)

​
结论

WeaviateVectorSearchTool 提供了一种强大的方式来在 Weaviate 向量数据库中搜索语义相似的文档。通过利用向量嵌入，它能够实现比传统基于关键词的搜索更准确、更具上下文相关性的搜索结果。该工具特别适用于需要根据意义而非精确匹配来查找信息的应用。
⌘我