如何在Haystack中使用Weaviate已有的旧Schema并正常写入文档？

连接已存在的Weaviate Class/Schema #

默认初始化WeaviateDocumentStore时会自动根据传入的index参数创建对应Class，要连接已有的Schema，需要修改初始化参数，关闭自动建表逻辑，同时匹配已有Schema的配置：

from haystack.document_store import WeaviateDocumentStore

document_store = WeaviateDocumentStore(
    port= "你的Weaviate服务端口",
    host="你的Weaviate服务地址",
    username="你的认证用户名",
    password="你的认证密码",
    index="已存在的Weaviate Class名称", # 大小写敏感，必须和Weaviate中的Class名完全一致
    skip_schema_creation=True, # 核心参数：禁止自动创建新Schema，直接连接已有结构
    embedding_dim=1536, # 必须和已有Class的向量字段维度完全匹配，示例为OpenAI ada-002对应的维度
    # 如有自定义元字段，需补充custom_fields参数匹配已有Schema的字段定义
    # custom_fields={"my_custom_field": "text"}
)

文档写入失败的解决建议 #

document_store.write_documents()执行异常可按以下顺序排查：

• 检查Document对象结构：每个写入的Document必须包含content字段，若提前生成了向量，需将向量赋值给Document的embedding属性，且向量维度必须和Weaviate Class定义的维度一致
• 检查字段匹配：如果Weaviate的Class中设置了必填自定义字段，写入的Document的meta属性中必须包含对应字段，且值的类型和Schema定义完全匹配
• 调整写入批次：单次写入文档量过大可能触发Weaviate请求大小限制，可通过batch_size参数拆分批次写入，示例：

document_store.write_documents([docs], batch_size=50)

• 检查权限配置：确认当前使用的账号对目标Class有写入权限，没有被Weaviate的RBAC规则拦截
• 未预生成向量的场景：若没有提前计算文档向量，需要先初始化对应Embedding模型，调用document_store.update_embeddings(embedding_model)生成向量后再写入，或在处理Pipeline中加入Embedding组件自动完成向量计算

内容的提问来源于stack exchange，提问作者helpdoc