使用 embedding 技术，也就是嵌入技术，我们可以把文本转换成向量，这样就可以更好的找出相关联的内容了。存储内容的 embedding，也就是向量，我们会用到一种特别的数据库，也就是 vector store 或者叫 vector database。

这种向量数据库有很多品牌可以选择，比如 Chroma，Milvus，Pinecone，Supabase 或者 Weaviate 等等。在 LangChain 应用里可以很方便地集成使用这些向量数据库。

HNSWLib

HNSWLib 是一个在内存中的向量存储库，不需要额外运行一个数据库系统，在终端，项目所在目录的下面，执行 npm install 安装一下 hnswlib-node。

在这个 Node.js 程序文件的顶部，导入 HNSWLib ，它来自 langchain/vectorstores/hnswlib。再导入一个 embeddings，导入 OpenAIEmbeddings ，它来自 langchain/embeddings/openai。

然后可以准备一组文本，声明一个 texts ，它是一个数组，里面的项目是一些内容的标题。'使用 Nest.js 和 TypeScript 构建一个简单的微服务应用'，'如何在 Vue.js 中使用 Vuetify 实现 Material Design 风格'，'掌握 Pandas 中的分组和聚合操作' 。

再声明一个 metadata，它也是一个数组，里面的项目是一个对象，这个对象就是用来描述对应的文本相关的一些数据。比如我们可以在项目里添加一个 id 属性，具体需要哪些属性可以根据自己的需求来决定。

声明一个 embeddings，它的值可以新建一个 OpenAIEmbeddings ，用它可以给文本创建嵌入。

然后声明一个 vectorStore，等于 await，用一下 HNSWLib.fromTexts ，在 LangChain 集成的向量存储上面都会有一个这样的方法，它可以根据一组文本创建一个向量存储。给它提供一组 texts，还有文本相关的 metadata，然后还需要一个生成嵌入需要的 embeddings。

下面可以测试一下，声明一个 result，等于 await，用一下 vectorStore 上的 similaritySearch 这个方法，表示相似度搜索，第一个参数是要搜索的东西，比如 “Node.js”， 再把 k 这个参数的值设置成 1 。然后在控制台上输出这个搜索结果，也就是 result。

在终端，项目所在目录的下面，执行 node index.mjs。这里输出的是一组 Document，这个文档就是根据我们提供的文本创建的，你会发现这个文档的内容是 “使用 Nest.js 和 TypeScript 构建一个简单的微服务应用” ，虽然这个标题内容里并不包含我们要找的 Node.js 这个关键词，但是 Nest.js 是一个 Node.js 应用框架，在所有标题内容里，这个标题内容跟 Node.js 的相似度最高。

再试一下，搜索一下 “数据科学”，在终端，再运行一下应用，这回返回的这个 Document 的内容是 “掌握 Pandas 中的分组和聚合操作”，因为 Pandas 这个库经常会用在数据科学领域。