深入探讨Oracle AI Vector Search：生成嵌入的实用指南深入探讨Oracle AI Vector Se

深入探讨Oracle AI Vector Search：生成嵌入的实用指南

引言

Oracle AI Vector Search被设计用于人工智能（AI）工作负载，允许基于语义而非关键词来查询数据。这种语义搜索可以与业务数据的关系搜索结合在一个系统中，消除了数据在多个系统间碎片化的痛点。本文将详细介绍如何使用Oracle AI Vector Search中的嵌入功能（Embeddings Capability）来为您的文档生成嵌入（Embeddings）。

主要内容

Oracle AI Vector Search的优势

Oracle AI Vector Search在一个单一的系统中集成了语义搜索和关系搜索，且具备如下优势：

分区支持
实时应用集群（RAC）可扩展性
Exadata智能扫描
跨地理分布数据库的分片处理
事务处理
并行SQL
灾难恢复
安全性
Oracle机器学习
Oracle图数据库
Oracle空间和图形
Oracle区块链
JSON支持

这些特性使您的嵌入向量受益于最强大的数据库功能。

代码示例

在开始之前，请确保您安装了Oracle Python客户端驱动，以便将Langchain与Oracle AI Vector Search集成。

# 安装oracledb
pip install oracledb

连接到Oracle数据库

以下示例代码展示了如何连接到Oracle数据库。默认情况下，python-oracledb在“Thin”模式下运行，直接连接到Oracle数据库，不需要Oracle客户端库。

import sys
import oracledb

# 更新以下变量以包含您的Oracle数据库凭据和连接详细信息
username = "<username>"
password = "<password>"
dsn = "<hostname>/<service_name>"

try:
    conn = oracledb.connect(user=username, password=password, dsn=dsn)
    print("Connection successful!")
except Exception as e:
    print("Connection failed!")
    sys.exit(1)

加载ONNX模型

如果选择在数据库内生成嵌入，必须将ONNX模型加载到Oracle数据库中：

from langchain_community.embeddings.oracleai import OracleEmbeddings

# 更新ONNX模型的目录和文件名
onnx_dir = "DEMO_DIR"
onnx_file = "tinybert.onnx"
model_name = "demo_model"

try:
    OracleEmbeddings.load_onnx_model(conn, onnx_dir, onnx_file, model_name)
    print("ONNX model loaded.")
except Exception as e:
    print("ONNX model loading failed!")
    sys.exit(1)

创建凭据

选择第三方提供商生成嵌入时，需要创建凭据以安全访问提供商的端点。例如：

try:
    cursor = conn.cursor()
    cursor.execute(
        """
       declare
           jo json_object_t;
       begin
           -- HuggingFace
           dbms_vector_chain.drop_credential(credential_name  => 'HF_CRED');
           jo := json_object_t();
           jo.put('access_token', '<access_token>');
           dbms_vector_chain.create_credential(
               credential_name   =>  'HF_CRED',
               params            => json(jo.to_string));

           -- OCIGENAI
           dbms_vector_chain.drop_credential(credential_name  => 'OCI_CRED');
           jo := json_object_t();
           jo.put('user_ocid','<user_ocid>');
           jo.put('tenancy_ocid','<tenancy_ocid>');
           jo.put('compartment_ocid','<compartment_ocid>');
           jo.put('private_key','<private_key>');
           jo.put('fingerprint','<fingerprint>');
           dbms_vector_chain.create_credential(
               credential_name   => 'OCI_CRED',
               params            => json(jo.to_string));
       end;
       """
    )
    cursor.close()
    print("Credentials created.")
except Exception as ex:
    cursor.close()
    raise

生成嵌入

Oracle AI Vector Search提供了多种生成嵌入的方法，可以使用本地托管的ONNX模型或第三方API。如果使用第三方提供商，可能需要配置代理：

import sys
from langchain_community.embeddings.oracleai import OracleEmbeddings
from langchain_core.documents import Document

# 使用ONNX模型生成嵌入
embedder_params = {"provider": "database", "model": "demo_model"}

# 如果环境不需要代理，则可以省略'proxy'参数
proxy = "<proxy>"  # 代理配置，提高访问稳定性

embedder = OracleEmbeddings(conn=conn, params=embedder_params, proxy=proxy)
embed = embedder.embed_query("Hello World!")

# 验证嵌入生成
print(f"Embedding generated by OracleEmbeddings: {embed}")

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代理服务以提高访问稳定性。

连接失败

确保您的数据库凭据和连接详细信息正确无误，并且网络连接稳定。

模型加载失败

检查ONNX文件的路径是否正确，同时确保所需权限已被授予。

总结和进一步学习资源

本文介绍了如何使用Oracle AI Vector Search生成嵌入，从数据库连接、加载ONNX模型到生成嵌入，并提供了常见问题的解决方案。如果您希望深入学习，请参考以下资源：

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---