Radient

Radient 是一个对开发者友好的轻量级库，用于非结构化数据的 ETL，即将音频、图形、图像、分子、文本和其他数据类型转换为嵌入向量。Radient 支持简单的向量化以及复杂的以向量为中心的工作流程。

$ pip install radient

如果您觉得这个项目有帮助或有趣，请考虑给它一个星标。:star:

入门

基本的向量化可以按以下方式进行：

from radient import text_vectorizer
vz = text_vectorizer()
vz.vectorize("Hello, world!")
# Vector([-3.21440510e-02, -5.10351397e-02,  3.69579718e-02, ...])

上面的代码片段使用默认模型（即来自 sentence-transformers 的 bge-small-en-v1.5）将字符串 "Hello, world!" 向量化。如果您的 Python 环境中没有 sentence-transformers 库，Radient 会提示您安装：

vz = text_vectorizer()
# Vectorizer requires sentence-transformers. Install? [Y/n]

您可以输入 "Y"，让 Radient 自动为您安装。

每个向量化器都可以接受 method 参数以及可选的关键字参数，这些参数会直接传递给底层的向量化库。例如，我们可以通过以下方式使用 Mixbread AI 的 mxbai-embed-large-v1 模型和 sentence-transformers 库：

vz_mbai = text_vectorizer(method="sentence-transformers", model_name_or_path="mixedbread-ai/mxbai-embed-large-v1")
vz_mbai.vectorize("Hello, world!")
# Vector([ 0.01729078,  0.04468533,  0.00055427, ...])

不仅仅是文本

使用 Radient，您不仅限于文本。音频、图形、图像和分子也可以被向量化：

from radient import (
    audio_vectorizer,
    graph_vectorizer,
    image_vectorizer,
    molecule_vectorizer,
)
avec = audio_vectorizer().vectorize(str(Path.home() / "audio.wav"))
gvec = graph_vectorizer().vectorize(nx.karate_club_graph())
ivec = image_vectorizer().vectorize(str(Path.home() / "image.jpg"))
mvec = molecule_vectorizer().vectorize("O=C=O")

每种模态支持的方法和可选参数的部分列表可以在这里找到。

对于处理大量数据的生产用例，性能至关重要。Radient 还提供了 accelerate 函数来即时优化向量化器：

import numpy as np
vz = text_vectorizer()
vec0 = vz.vectorize("Hello, world!")
vz.accelerate()
vec1 = vz.vectorize("Hello, world!")
np.allclose(vec0, vec1)
# True

在 2.3 GHz 四核 Intel Core i7 上，原始向量化器需要约 32 毫秒，而加速后的向量化器只需约 17 毫秒。

构建非结构化数据 ETL

除了运行实验外，单纯的向量化用处不大。与结构化数据 ETL 管道类似，非结构化数据 ETL 工作负载通常需要四个组件的组合：存储非结构化数据的__数据源__、执行数据转换和预处理的一个或多个__转换__模块、将数据转换为语义丰富的嵌入向量的__向量化器__，以及用于持久化计算得到的向量的__接收器__。

Radient 提供了一个 Workflow 对象，专门用于构建以向量为中心的 ETL 应用程序。使用 Workflow，您可以将任意数量的这些组件组合成一个有向图。例如，一个从 Google Drive 持续读取文本文档、使用 Voyage AI 进行向量化，然后将向量存入 Milvus 的工作流可能如下所示：

from radient import make_operator
from radient import Workflow

extract = make_operator("source", method="google-drive", task_params={"folder": "My Files"})
transform = make_operator("transform", method="read-text", task_params={})
vectorize = make_operator("vectorizer", method="voyage-ai", modality="text", task_params={})
load = make_operator("sink", method="milvus", task_params={"operation": "insert"})

wf = (
    Workflow()
    .add(extract, name="extract")
    .add(transform, name="transform")
    .add(vectorize, name="vectorize")
    .add(load, name="load")
)