LanceDB Node.js 向量搜索

使用 LanceDB 和 Ollama 的嵌入模型进行向量搜索的 Node.js 实现。

概述

该项目演示了如何：

• 连接到 LanceDB 数据库

• 使用 Ollama 创建自定义嵌入函数

• 对存储的文档执行向量相似性搜索

• 处理并显示搜索结果

Related MCP server: MCP Tooling Lab

先决条件

• Node.js（v14 或更高版本）

• Ollama 使用nomic-embed-text模型在本地运行

• 具有读/写权限的 LanceDB 存储位置

安装

1. 克隆存储库

2. 安装依赖项：

pnpm install

依赖项

• @lancedb/lancedb ：Node.js 的 LanceDB 客户端

• apache-arrow ：用于处理列式数据

• node-fetch ：用于向 Ollama 发出 API 调用

用法

运行向量搜索测试脚本：

pnpm test-vector-search

或者直接执行：

node test-vector-search.js

配置

该脚本连接到：

• LanceDB 在配置的路径下

• Ollama API 位于http://localhost:11434/api/embeddings

MCP 配置

要与 Claude Desktop 作为 MCP 服务集成，请将以下内容添加到您的 MCP 配置 JSON 中：

{
  "mcpServers": {
    "lanceDB": {
      "command": "node",
      "args": [
        "/path/to/lancedb-node/dist/index.js",
        "--db-path",
        "/path/to/your/lancedb/storage"
      ]
    }
  }
}

用您的实际安装路径替换路径：

• /path/to/lancedb-node/dist/index.js - 已编译 index.js 文件的路径

• /path/to/your/lancedb/storage - 您的 LanceDB 存储目录的路径

自定义嵌入函数

该项目包括一个自定义的OllamaEmbeddingFunction ，它：

• 向 Ollama API 发送文本

• 接收 768 维的嵌入

• 格式化它们以便与 LanceDB 一起使用

向量搜索示例

该示例在“ai-rag”表中搜索“如何定义成功标准”，并显示其相似度分数的结果。

执照

MIT 许可证

贡献

欢迎贡献代码！欢迎提交 Pull 请求。