引言
在现代应用开发中，AI和大数据的结合正变得越来越普遍。Google Cloud SQL 提供了一种完全托管的关系数据库服务，支持MySQL、PostgreSQL和SQL Server等数据库引擎。在本文中，我们将深入探讨如何使用 Google Cloud SQL for MySQL 来存储向量嵌入，借助LangChain集成扩展数据库应用，实现更智能的AI驱动体验。
主要内容
配置开始之前
在你开始之前，请确保完成以下步骤：
- 创建一个 Google Cloud 项目。
- 启用 Cloud SQL Admin API。
- 创建一个 Cloud SQL 实例（版本必须 >= 8.0.36，并配置
cloudsql_vectordatabase标志为 "On"）。 - 创建 Cloud SQL 数据库。
- 为数据库添加用户。
安装依赖库
首先，我们需要安装 langchain-google-cloud-sql-mysql 和 langchain-google-vertexai 库：
%pip install --upgrade --quiet langchain-google-cloud-sql-mysql langchain-google-vertexai
认证和项目设置
认证
你需要以 IAM 用户身份对 Google Cloud 进行身份验证。在 Colab 中运行以下代码：
from google.colab import auth
auth.authenticate_user()
设置 Google Cloud 项目
PROJECT_ID = "your-project-id" # 请输入你的项目ID
!gcloud config set project {PROJECT_ID}
基本使用
设置 Cloud SQL 数据库值
请在 Cloud SQL 实例页面查找你的数据库值：
REGION = "us-central1" # 地区
INSTANCE = "my-mysql-instance" # 实例名称
DATABASE = "my-database" # 数据库名称
TABLE_NAME = "vector_store" # 表名称
创建 MySQLEngine
from langchain_google_cloud_sql_mysql import MySQLEngine
engine = MySQLEngine.from_instance(
project_id=PROJECT_ID, region=REGION, instance=INSTANCE, database=DATABASE
)
初始化表
engine.init_vectorstore_table(
table_name=TABLE_NAME,
vector_size=768 # 向量大小
)
创建嵌入类实例
from langchain_google_vertexai import VertexAIEmbeddings
embedding = VertexAIEmbeddings(
model_name="textembedding-gecko@latest", project=PROJECT_ID
)
初始化 MySQLVectorStore
from langchain_google_cloud_sql_mysql import MySQLVectorStore
store = MySQLVectorStore(
engine=engine,
embedding_service=embedding,
table_name=TABLE_NAME,
)
添加文本
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)
代码示例
以下是一个完整的示例，展示如何使用API代理服务提高访问稳定性：
# 使用API代理服务提高访问稳定性
engine = MySQLEngine.from_instance(
project_id=PROJECT_ID, region=REGION, instance=INSTANCE, database=DATABASE
)
常见问题和解决方案
-
问题：无法连接到数据库
- 解决方案：检查你的数据库配置是否正确，确保实例和项目ID匹配。
-
问题：向量搜索性能低
- 解决方案：应用向量索引来加速查询。
总结和进一步学习资源
Google Cloud SQL for MySQL 为现代AI应用提供了一个强大的基础。通过结合LangChain和其他工具，你可以轻松管理和扩展你的数据能力。有关更详细的指南，请参阅以下资源：
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---
