跳到主要内容

DatabaseConfig

使用向量查询工具时，DatabaseConfig 类型允许你指定数据库专属配置。这些配置让你能够使用不同向量存储提供的功能和优化。

类型定义
类型定义的直接链接

export type DatabaseConfig = {
  pinecone?: PineconeConfig
  pgvector?: PgVectorConfig
  chroma?: ChromaConfig
  turbopuffer?: TurbopufferConfig
  [key: string]: any // Extensible for future databases
}

数据库专属类型
数据库专属类型的直接链接

PineconeConfig
pineconeconfig的直接链接

Pinecone 向量存储专属的配置选项。

namespace?:

string
Pinecone namespace，用于在同一索引中组织和隔离向量。适用于多租户或环境隔离。

sparseVector?:

{ indices: number[]; values: number[]; }
用于混合搜索的稀疏向量，可结合稠密嵌入和稀疏嵌入。可提升基于关键词的查询质量。indices 和 values 数组必须具有相同长度。
object

indices:

number[]
稀疏向量组件的索引数组

values:

number[]
与索引对应的值数组

使用场景：

  • 多租户应用（每个租户使用独立 namespace）
  • 环境隔离（dev/staging/prod namespace）
  • 结合语义匹配和关键词匹配的混合搜索

PgVectorConfig
pgvectorconfig的直接链接

带有 pgvector 扩展的 PostgreSQL 专属配置选项。

minScore?:

number
结果的最低相似度分数阈值。仅返回相似度分数高于此值的向量。

ef?:

number
HNSW 搜索参数，用于控制搜索期间动态候选列表的大小。值越高，准确度越高，但速度越慢。通常设置在 topK 到 200 之间。

probes?:

number
IVFFlat probe 参数，用于指定搜索期间要访问的索引单元数量。值越高，召回率越高，但速度越慢。

性能指南：

  • ef：从 topK 值的 2–4 倍开始，需要更高准确度时再增加
  • probes：从 1–10 开始，需要更高召回率时再增加
  • minScore：根据质量要求使用介于 0.5–0.9 的值

使用场景：

  • 高负载场景的性能优化
  • 通过质量过滤移除无关结果
  • 微调搜索准确度与速度之间的权衡

ChromaConfig
chromaconfig的直接链接

Chroma 向量存储专属的配置选项。

where?:

Record<string, any>
使用 MongoDB 风格查询语法的元数据过滤条件。根据元数据字段过滤结果。

whereDocument?:

Record<string, any>
文档内容过滤条件。允许基于实际文档文本内容进行过滤。

过滤语法示例：

// Simple equality
where: { "category": "technical" }

// Operators
where: { "price": { "$gt": 100 } }

// Multiple conditions
where: {
  "category": "electronics",
  "inStock": true
}

// Document content filtering
whereDocument: { "$contains": "API documentation" }

使用场景：

  • 高级元数据过滤
  • 基于内容的文档过滤
  • 复杂查询组合

TurbopufferConfig
turbopufferconfig的直接链接

Turbopuffer 向量存储专属的配置选项。

consistency?:

'strong' | 'eventual'
查询的一致性级别。"strong"（默认值）保证查询可看到查询开始前写入的所有数据，但延迟更高。"eventual" 延迟较低，但最近写入的数据可能暂时不可见。

使用场景：

  • 可接受轻微陈旧数据的延迟敏感型查询（eventual）
  • 必须看到最新数据的 read-your-writes 工作流（strong）

使用示例
使用示例的直接链接

基本数据库配置
基本数据库配置的直接链接

import { createVectorQueryTool } from '@mastra/rag'

const vectorTool = createVectorQueryTool({
  vectorStoreName: 'pinecone',
  indexName: 'documents',
  model: embedModel,
  databaseConfig: {
    pinecone: {
      namespace: 'production',
    },
  },
})

可扩展性
可扩展性的直接链接

DatabaseConfig 类型设计为可扩展。要添加对新向量数据库的支持：

// 1. Define the configuration interface
export interface NewDatabaseConfig {
  customParam1?: string
  customParam2?: number
}

// 2. Extend DatabaseConfig type
export type DatabaseConfig = {
  pinecone?: PineconeConfig
  pgvector?: PgVectorConfig
  chroma?: ChromaConfig
  newdatabase?: NewDatabaseConfig
  [key: string]: any
}

// 3. Use in vector query tool
const vectorTool = createVectorQueryTool({
  vectorStoreName: 'newdatabase',
  indexName: 'documents',
  model: embedModel,
  databaseConfig: {
    newdatabase: {
      customParam1: 'value',
      customParam2: 42,
    },
  },
})

最佳实践
最佳实践的直接链接

  1. 环境配置：为不同环境使用不同的 namespace 或配置
  2. 性能调优：从默认值开始，并根据具体需求调整
  3. 质量过滤：使用 minScore 过滤低质量结果
  4. 运行时灵活性：针对运行时定义的场景在运行时覆盖配置
  5. 文档：为团队成员记录具体的配置选择

迁移指南
迁移指南的直接链接

现有向量查询工具无需更改即可继续工作。要添加数据库配置：

const vectorTool = createVectorQueryTool({
  vectorStoreName: 'pinecone',
  indexName: 'documents',
  model: embedModel,
+ databaseConfig: {
+   pinecone: {
+     namespace: 'production'
+   }
+ }
});
On this page