مشهد قواعد البيانات المتجهة

قواعد البيانات المتجهة مبنية خصيصاً لتخزين والبحث في المتجهات عالية الأبعاد. فهم المقايضات يساعدك على اختيار الحل الصحيح.

فئات قواعد البيانات

الفئة	الأمثلة	الأفضل لـ
سحابة مدارة	Pinecone, Weaviate Cloud	الإنتاج، بدون عمليات
استضافة ذاتية	Qdrant, Milvus, Weaviate	التحكم، التكلفة على نطاق واسع
مضمنة	Chroma, LanceDB	التطوير، الحافة
إضافات	pgvector	بنية Postgres موجودة

Pinecone

قاعدة بيانات متجهة مدارة بالكامل، بدون خادم:

from pinecone import Pinecone

pc = Pinecone(api_key="your-api-key")

# إنشاء فهرس
pc.create_index(
    name="rag-index",
    dimension=1536,
    metric="cosine",
    spec={"serverless": {"cloud": "aws", "region": "us-east-1"}}
)

index = pc.Index("rag-index")

# إدراج المتجهات
index.upsert(vectors=[
    {
        "id": "doc1",
        "values": embedding,
        "metadata": {"source": "manual.pdf", "page": 5}
    }
])

# استعلام
results = index.query(
    vector=query_embedding,
    top_k=5,
    include_metadata=True,
    filter={"source": {"$eq": "manual.pdf"}}
)

نقاط القوة: صفر عمليات، تحجيم تلقائي، تصفية بيانات وصفية ممتازة اعتبارات: التكلفة على نطاق واسع، قفل المورد

Qdrant

قاعدة بيانات مفتوحة المصدر عالية الأداء:

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient(host="localhost", port=6333)

# إنشاء مجموعة
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

# إدراج النقاط
client.upsert(
    collection_name="documents",
    points=[
        PointStruct(
            id=1,
            vector=embedding,
            payload={"source": "manual.pdf", "page": 5}
        )
    ]
)

# البحث مع التصفية
results = client.search(
    collection_name="documents",
    query_vector=query_embedding,
    limit=5,
    query_filter={
        "must": [{"key": "source", "match": {"value": "manual.pdf"}}]
    }
)

نقاط القوة: سريع، تصفية ممتازة، دعم البحث الهجين اعتبارات: تعقيد الاستضافة الذاتية

Weaviate

قاعدة بيانات متجهة قائمة على المخطط مع GraphQL:

import weaviate
from weaviate.classes.config import Property, DataType

client = weaviate.connect_to_local()

# إنشاء مجموعة مع مخطط
collection = client.collections.create(
    name="Document",
    properties=[
        Property(name="content", data_type=DataType.TEXT),
        Property(name="source", data_type=DataType.TEXT),
        Property(name="page", data_type=DataType.INT),
    ]
)

# إدراج مع تحويل تلقائي للمتجهات (اختياري)
collection.data.insert({
    "content": "نص المستند هنا",
    "source": "manual.pdf",
    "page": 5
})

# البحث
results = collection.query.near_vector(
    near_vector=query_embedding,
    limit=5,
    filters=weaviate.classes.query.Filter.by_property("source").equal("manual.pdf")
)

نقاط القوة: تحويل متجه مدمج، GraphQL، متعدد الوسائط اعتبارات: منحنى التعلم، متطلبات الموارد

Chroma

قاعدة بيانات مضمنة خفيفة الوزن (رائعة للتطوير):

import chromadb
from chromadb.utils import embedding_functions

client = chromadb.PersistentClient(path="./chroma_db")

# استخدم تضمينات OpenAI
openai_ef = embedding_functions.OpenAIEmbeddingFunction(
    api_key="your-api-key",
    model_name="text-embedding-3-small"
)

# إنشاء مجموعة
collection = client.get_or_create_collection(
    name="documents",
    embedding_function=openai_ef
)

# إضافة مستندات (تضمين تلقائي)
collection.add(
    documents=["نص المستند هنا"],
    metadatas=[{"source": "manual.pdf", "page": 5}],
    ids=["doc1"]
)

# استعلام
results = collection.query(
    query_texts=["استعلام البحث"],
    n_results=5,
    where={"source": "manual.pdf"}
)

نقاط القوة: API بسيط، لا حاجة لخادم، إعداد سريع اعتبارات: ليس للنطاق الإنتاجي

pgvector (إضافة PostgreSQL)

أضف المتجهات لـ Postgres موجود:

import psycopg2
from pgvector.psycopg2 import register_vector

conn = psycopg2.connect("postgresql://localhost/mydb")
register_vector(conn)

cur = conn.cursor()

# إنشاء جدول مع عمود متجه
cur.execute("""
    CREATE TABLE documents (
        id SERIAL PRIMARY KEY,
        content TEXT,
        source TEXT,
        embedding vector(1536)
    )
""")

# إنشاء فهرس للبحث السريع
cur.execute("""
    CREATE INDEX ON documents
    USING ivfflat (embedding vector_cosine_ops)
    WITH (lists = 100)
""")

# إدراج
cur.execute(
    "INSERT INTO documents (content, source, embedding) VALUES (%s, %s, %s)",
    ("نص المستند", "manual.pdf", embedding)
)

# استعلام
cur.execute("""
    SELECT content, source, 1 - (embedding <=> %s) as similarity
    FROM documents
    WHERE source = 'manual.pdf'
    ORDER BY embedding <=> %s
    LIMIT 5
""", (query_embedding, query_embedding))

نقاط القوة: استخدم Postgres موجود، امتثال ACID، الضم اعتبارات: ليس بسرعة قواعد البيانات المتجهة المخصصة

مصفوفة المقارنة

الميزة	Pinecone	Qdrant	Weaviate	Chroma	pgvector
الاستضافة	مدار	كلاهما	كلاهما	مضمن	ذاتي
التصفية	ممتاز	ممتاز	جيد	أساسي	SQL
البحث الهجين	نعم	نعم	نعم	لا	يدوي
التحجيم	تلقائي	يدوي	يدوي	محدود	محدود
التكلفة	$$	مجاني/$	مجاني/$	مجاني	مجاني
الإعداد	سهل	متوسط	متوسط	سهل	سهل

إطار القرار

البداية
  │
  ▼
تحتاج خدمة مدارة مع صفر عمليات؟
  │
  ├─ نعم → Pinecone
  │
  ▼
تستخدم PostgreSQL بالفعل؟
  │
  ├─ نعم → pgvector
  │
  ▼
تطوير/نماذج أولية؟
  │
  ├─ نعم → Chroma
  │
  ▼
تحتاج بحث هجين + تصفية متقدمة؟
  │
  ├─ نعم → Qdrant أو Weaviate
  │
  ▼
الافتراضي → Qdrant (أفضل توازن أداء/ميزات)

نصيحة الترحيل: ابدأ مع Chroma للتطوير، ثم انتقل إلى Qdrant أو Pinecone للإنتاج. تجريد LangChain يجعل التبديل سهلاً نسبياً.

التالي، لنستكشف استراتيجيات الفهرسة التي تحدد سرعة ودقة البحث. :::