Что такое vector store в LangChain и какие векторные базы данных чаще всего используются (Chroma, Pinecone, FAISS)?

Chroma — локальная векторная БД

Chroma — embedded база данных, работает в процессе Python или как отдельный сервер. Лучший выбор для прототипов, разработки и небольших проектов (до ~100k документов).

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain_core.documents import Document

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# Создание и наполнение
vectorstore = Chroma(
    collection_name="docs",
    embedding_function=embeddings,
    persist_directory="./chroma_db",  # Сохраняем на диск
)

docs = [
    Document(page_content="FastAPI is a modern Python web framework", metadata={"source": "docs.fastapi.tiangolo.com"}),
    Document(page_content="Ktor is a Kotlin async web framework", metadata={"source": "ktor.io"}),
]
vectorstore.add_documents(docs)

# Поиск
results = vectorstore.similarity_search("Python web framework", k=2)
for doc in results:
    print(doc.page_content, doc.metadata)

Что такое vector store

Vector store (векторное хранилище) — база данных, оптимизированная для хранения и поиска векторов эмбеддингов. В LangChain все vector stores реализуют единый интерфейс VectorStore с методами add_documents, similarity_search и as_retriever. Это позволяет переключаться между реализациями без изменения кода пайплайна.

FAISS — быстрый in-memory индекс

FAISS (Facebook AI Similarity Search) — библиотека от Meta для высокопроизводительного поиска ближайших соседей. Работает в памяти, требует явного сохранения на диск. Лучший выбор для batch-обработки и задач с жёсткими требованиями к latency.

from langchain_community.vectorstores import FAISS

# Создание из документов
vectorstore = FAISS.from_documents(docs, embeddings)

# Сохранение и загрузка
vectorstore.save_local("faiss_index")
loaded = FAISS.load_local(
    "faiss_index",
    embeddings,
    allow_dangerous_deserialization=True,  # Требуется явно
)

# Similarity search с score
results = loaded.similarity_search_with_score("web framework", k=3)
for doc, score in results:
    print(f"Score: {score:.4f} | {doc.page_content[:80]}")

Pinecone — управляемое облако

Pinecone — serverless облачный vector store с автоматическим масштабированием. Подходит для production при больших объёмах (миллионы векторов) и необходимости масштабироваться без DevOps.

from pinecone import Pinecone, ServerlessSpec
from langchain_pinecone import PineconeVectorStore

# Инициализация
pc = Pinecone(api_key="pc-...")
index_name = "langchain-demo"

if index_name not in pc.list_indexes().names():
    pc.create_index(
        name=index_name,
        dimension=1536,  # text-embedding-3-small
        metric="cosine",
        spec=ServerlessSpec(cloud="aws", region="us-east-1"),
    )

vectorstore = PineconeVectorStore(
    index=pc.Index(index_name),
    embedding=embeddings,
)
vectorstore.add_documents(docs)

retriever = vectorstore.as_retriever(search_kwargs={"k": 5})

Использование как Retriever в цепочке

from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

retriever = vectorstore.as_retriever()
prompt = ChatPromptTemplate.from_template(
    "Answer the question based on this context:\n{context}\n\nQuestion: {question}"
)

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI(model="gpt-4o-mini")
    | StrOutputParser()
)
print(chain.invoke("What is Ktor?"))

Подводные камни

• Chroma persist_directory не создаётся автоматически при первом запуске если путь не существует — создайте директорию заранее.
• FAISS load_local требует allow_dangerous_deserialization=True из-за pickle — не загружайте индексы из ненадёжных источников.
• Размерность эмбеддингов должна совпадать между созданием индекса и запросом — смена модели эмбеддингов требует переиндексации.
• Pinecone serverless тарифицирует per-запрос — высокий трафик без кэширования быстро увеличивает счёт.
• Metadata-фильтры поддерживаются не всеми store одинаково: Chroma поддерживает where, FAISS — нет, Pinecone — через filter.
• Поиск по косинусному сходству возвращает результаты даже при низком quality — добавляйте пороговую фильтрацию по score.
• При использовании Chroma в production-сервере (не embedded) нужен отдельный Docker-контейнер с персистентным volume.

• Объяснять vector stores только синтаксисом без shape, dtype, состояния или режима выполнения.
• Игнорировать leakage, воспроизводимость, пустые входы и скрытые копии данных.
• Не проверять production-симптомы: latency, память, ретраи, дрейф качества и несовпадение версий.

• Может ли связать vector stores с реальным контрактом входов и выходов.
• Упоминает ли тесты, метрики, reproducibility и диагностику ошибок.
• Видит ли различие между demo-кодом в ноутбуке и production-пайплайном.