`sqlite-vec`

一个极小的、"足够快"的向量搜索SQLite扩展，可以在任何地方运行！是sqlite-vss的继任者。

[!重要] sqlite-vec尚未发布v1版本，请预期会有重大变更！

在vec0虚拟表中存储和查询浮点型、8位整型和二进制向量
用纯C语言编写，无依赖，可在任何支持SQLite的平台上运行（Linux/MacOS/Windows、浏览器中的WASM、树莓派等）
可通过rowid IN (...)子查询对向量进行预过滤

<a href="https://hacks.mozilla.org/2024/06/sponsoring-sqlite-vec-to-enable-more-powerful-local-ai-applications/"> <picture> <source media="(prefers-color-scheme: dark)" srcset="./.github/logos/mozilla.dark.svg"> <source media="(prefers-color-scheme: light)" srcset="./.github/logos/mozilla.svg"> <img alt="Mozilla Builders标志" width=400> </picture> </a> <code>sqlite-vec</code>是一个 <a href="https://hacks.mozilla.org/2024/06/sponsoring-sqlite-vec-to-enable-more-powerful-local-ai-applications/">Mozilla Builders项目</a>，并得到了以下赞助商的额外支持： <a href="https://fly.io/"><img width=14px src="https://raw.githubusercontent.com/asg017/sqlite-vec/main/.github/logos/flyio.small.ico"/> Fly.io </a>、 <a href="https://tur.so/sqlite-vec"><img width=14px src="https://raw.githubusercontent.com/asg017/sqlite-vec/main/.github/logos/turso.small.ico"/> Turso</a>和 <a href="https://sqlitecloud.io/"><img width=14px src="https://yellow-cdn.veclightyear.com/835a84d5/563ac1c9-999c-4fe5-aabf-bd7170f9f9a2.svg"/> SQLite Cloud</a>。详情请参阅<a href="#sponsors">赞助商部分</a>。

安装

有关更多详细信息，请参阅安装sqlite-vec。

语言	安装	更多信息
Python	`pip install sqlite-vec`	Python版`sqlite-vec`
Node.js	`npm install sqlite-vec`	Node.js版`sqlite-vec`
Ruby	`gem install sqlite-vec`	Ruby版`sqlite-vec`
Go	`go get -u github.com/asg017/sqlite-vec/bindings/go`	Go版`sqlite-vec`
Rust	`cargo add sqlite-vec`	Rust版`sqlite-vec`
Datasette	`datasette install datasette-sqlite-vec`	Datasette版`sqlite-vec`
rqlite	`rqlited -extensions-path=sqlite-vec.tar.gz`	rqlite版`sqlite-vec`
`sqlite-utils`	`sqlite-utils install sqlite-utils-sqlite-vec`	sqlite-utils版`sqlite-vec`
Github 发布

示例用法

.load ./vec0

create virtual table vec_examples using vec0(
  sample_embedding float[8]
);

-- 向量可以以JSON格式或紧凑的二进制格式提供
insert into vec_examples(rowid, sample_embedding)
  values
    (1, '[-0.200, 0.250, 0.341, -0.211, 0.645, 0.935, -0.316, -0.924]'),
    (2, '[0.443, -0.501, 0.355, -0.771, 0.707, -0.708, -0.185, 0.362]'),
    (3, '[0.716, -0.927, 0.134, 0.052, -0.669, 0.793, -0.634, -0.162]'),
    (4, '[-0.710, 0.330, 0.656, 0.041, -0.990, 0.726, 0.385, -0.958]');


-- KNN 风格查询
select
  rowid,
  distance
from vec_examples
where sample_embedding match '[0.890, 0.544, 0.825, 0.961, 0.358, 0.0196, 0.521, 0.175]'
order by distance
limit 2;
/*
┌───────┬──────────────────┐
│ rowid │     distance     │
├───────┼──────────────────┤
│ 2     │ 2.38687372207642 │
│ 1     │ 2.38978505134583 │
└───────┴──────────────────┘
*/