適用於 PostgreSQL 的 Google AlloyDB
AlloyDB 是一項全受管關聯式資料庫服務，可提供高效能、無縫整合和令人印象深刻的可擴充性。AlloyDB 與 PostgreSQL 100% 相容。擴展您的資料庫應用程式，以利用 AlloyDB 的 Langchain 整合功能來建構 AI 驅動的體驗。
本筆記本說明如何使用 AlloyDB for PostgreSQL 和 AlloyDBVectorStore 類別來儲存向量嵌入。
在 GitHub 上瞭解有關套件的更多資訊。
開始之前
若要執行本筆記本，您需要執行下列操作
🦜🔗 程式庫安裝
安裝整合程式庫 langchain-google-alloydb-pg 和嵌入服務程式庫 langchain-google-vertexai。
%pip install --upgrade --quiet langchain-google-alloydb-pg langchain-google-vertexai
僅限 Colab： 取消註解以下儲存格以重新啟動核心，或使用按鈕重新啟動核心。對於 Vertex AI Workbench，您可以使用頂端的按鈕重新啟動終端機。
# # Automatically restart kernel after installs so that your environment can access the new packages
# import IPython
# app = IPython.Application.instance()
# app.kernel.do_shutdown(True)
🔐 驗證
以登入本筆記本的 IAM 使用者身分驗證 Google Cloud，以便存取您的 Google Cloud 專案。
- 如果您使用 Colab 執行本筆記本，請使用以下儲存格並繼續。
- 如果您使用 Vertex AI Workbench，請查看 此處 的設定指示。
from google.colab import auth
auth.authenticate_user()
☁ 設定您的 Google Cloud 專案
設定您的 Google Cloud 專案，以便在本筆記本中利用 Google Cloud 資源。
如果您不知道您的專案 ID，請嘗試以下操作
- 執行
gcloud config list。 - 執行
gcloud projects list。 - 請參閱支援頁面：尋找專案 ID。
# @markdown Please fill in the value below with your Google Cloud project ID and then run the cell.
PROJECT_ID = "my-project-id" # @param {type:"string"}
# Set the project id
!gcloud config set project {PROJECT_ID}
基本使用方式
設定 AlloyDB 資料庫值
在 AlloyDB 執行個體頁面 中尋找您的資料庫值。
# @title Set Your Values Here { display-mode: "form" }
REGION = "us-central1" # @param {type: "string"}
CLUSTER = "my-cluster" # @param {type: "string"}
INSTANCE = "my-primary" # @param {type: "string"}
DATABASE = "my-database" # @param {type: "string"}
TABLE_NAME = "vector_store" # @param {type: "string"}
AlloyDBEngine 連線集區
將 AlloyDB 建立為向量儲存區的需求和引數之一是 AlloyDBEngine 物件。AlloyDBEngine 會設定與您的 AlloyDB 資料庫的連線集區，讓您的應用程式能夠成功連線，並遵循業界最佳實務。
若要使用 AlloyDBEngine.from_instance() 建立 AlloyDBEngine，您只需要提供 5 個項目
project_id：AlloyDB 執行個體所在的 Google Cloud 專案的專案 ID。region：AlloyDB 執行個體所在的區域。cluster：AlloyDB 叢集的名稱。instance：AlloyDB 執行個體的名稱。database：要連線到 AlloyDB 執行個體上的資料庫名稱。
根據預設，IAM 資料庫驗證 將用作資料庫驗證方法。此程式庫使用屬於從環境來源的 應用程式預設憑證 (ADC) 的 IAM 主體。
或者，也可以使用 內建資料庫驗證，方法是使用使用者名稱和密碼來存取 AlloyDB 資料庫。只需將選用的 user 和 password 引數提供給 AlloyDBEngine.from_instance() 即可
user：用於內建資料庫驗證和登入的資料庫使用者password：用於內建資料庫驗證和登入的資料庫密碼。
注意： 本教學課程示範非同步介面。所有非同步方法都有對應的同步方法。
from langchain_google_alloydb_pg import AlloyDBEngine
engine = await AlloyDBEngine.afrom_instance(
project_id=PROJECT_ID,
region=REGION,
cluster=CLUSTER,
instance=INSTANCE,
database=DATABASE,
)
初始化表格
AlloyDBVectorStore 類別需要資料庫表格。AlloyDBEngine 引擎具有協助程式方法 init_vectorstore_table()，可用於為您建立具有正確結構描述的表格。
await engine.ainit_vectorstore_table(
table_name=TABLE_NAME,
vector_size=768, # Vector size for VertexAI model(textembedding-gecko@latest)
)
建立嵌入類別執行個體
您可以使用任何 LangChain 嵌入模型。您可能需要啟用 Vertex AI API 才能使用 VertexAIEmbeddings。我們建議為生產環境設定嵌入模型的版本，深入瞭解 文字嵌入模型。
# enable 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
)
初始化預設 AlloyDBVectorStore
from langchain_google_alloydb_pg import AlloyDBVectorStore
store = await AlloyDBVectorStore.create(
engine=engine,
table_name=TABLE_NAME,
embedding_service=embedding,
)
新增文字
import uuid
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)
刪除文字
await store.adelete([ids[1]])
搜尋文件
query = "I'd like a fruit."
docs = await store.asimilarity_search(query)
print(docs)
依向量搜尋文件
query_vector = embedding.embed_query(query)
docs = await store.asimilarity_search_by_vector(query_vector, k=2)
print(docs)
新增索引
套用向量索引來加速向量搜尋查詢。深入瞭解向量索引。
from langchain_google_alloydb_pg.indexes import IVFFlatIndex
index = IVFFlatIndex()
await store.aapply_vector_index(index)
重新編製索引
await store.areindex() # Re-index using default index name
移除索引
await store.adrop_vector_index() # Delete index using default name
建立自訂向量儲存區
向量儲存區可以利用關聯式資料來篩選相似性搜尋。
建立具有自訂中繼資料欄的表格。
from langchain_google_alloydb_pg import Column
# Set table name
TABLE_NAME = "vectorstore_custom"
await engine.ainit_vectorstore_table(
table_name=TABLE_NAME,
vector_size=768, # VertexAI model: textembedding-gecko@latest
metadata_columns=[Column("len", "INTEGER")],
)
# Initialize AlloyDBVectorStore
custom_store = await AlloyDBVectorStore.create(
engine=engine,
table_name=TABLE_NAME,
embedding_service=embedding,
metadata_columns=["len"],
# Connect to a existing VectorStore by customizing the table schema:
# id_column="uuid",
# content_column="documents",
# embedding_column="vectors",
)
使用中繼資料篩選器搜尋文件
import uuid
# Add texts to the Vector Store
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)
# Use filter on search
docs = await custom_store.asimilarity_search_by_vector(query_vector, filter="len >= 6")
print(docs)