引言
Google Memorystore for Redis 是一种完全托管的服务，利用 Redis 内存数据存储来构建应用缓存，从而提供亚毫秒级的数据访问。这篇文章将带你了解如何利用 Memorystore for Redis 存储向量嵌入，并结合 LangChain 集成构建 AI 驱动的应用体验。
主要内容
1. 准备工作
创建 Google Cloud 项目
- 启用 Memorystore for Redis API
- 创建 Redis 实例，确保版本大于或等于 7.2
2. 安装库
首先安装 langchain-google-memorystore-redis 包：
%pip install --upgrade --quiet langchain-google-memorystore-redis langchain
如在 Google Colab 中运行，可重启内核以加载新包。
3. 设置 Google Cloud 项目
使用以下命令设置项目 ID：
PROJECT_ID = "my-project-id" # @param {type:"string"}
!gcloud config set project {PROJECT_ID}
4. 认证
在 Google Colab 中使用以下代码进行身份验证：
from google.colab import auth
auth.authenticate_user()
代码示例
初始化向量索引
import redis
from langchain_google_memorystore_redis import (
DistanceStrategy,
HNSWConfig,
RedisVectorStore,
)
# 连接 Redis 实例
redis_client = redis.from_url("redis://127.0.0.1:6379") # 使用API代理服务提高访问稳定性
# 配置 HNSW 索引
index_config = HNSWConfig(
name="my_vector_index", distance_strategy=DistanceStrategy.COSINE, vector_size=128
)
# 初始化/创建向量存储索引
RedisVectorStore.init_index(client=redis_client, index_config=index_config)
文本处理和向量存储
从文本加载、切割到存储：
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.embeddings.fake import FakeEmbeddings
loader = TextLoader("./state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
embeddings = FakeEmbeddings(size=128)
rvs = RedisVectorStore.from_documents(
docs, embedding=embeddings, client=redis_client, index_name="my_vector_index"
)
进行相似性搜索（KNN）
import pprint
query = "What did the president say about Ketanji Brown Jackson"
knn_results = rvs.similarity_search(query=query)
pprint.pprint(knn_results)
常见问题和解决方案
- 网络限制：某些地区可能需要使用API代理服务以提高访问稳定性。
- 索引变更：修改索引参数通常需要重新创建索引。
总结和进一步学习资源
通过本文，你了解了如何使用 Google Memorystore for Redis 构建向量存储，支持高效的AI应用。建议进一步学习以下资源以拓展知识：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
