Google AlloyDB for PostgreSQL

AlloyDB 是一種完全託管的關聯式資料庫服務，可提供高效能、無縫整合和令人印象深刻的可擴展性。 AlloyDB 與 PostgreSQL 100% 相容。擴展您的資料庫應用程式，以利用 AlloyDB 的 Langchain 整合建立 AI 驅動的體驗。

本筆記本將介紹如何使用 AlloyDB for PostgreSQL 與 AlloyDBVectorStore 類別儲存向量嵌入。

在 GitHub 上了解更多關於此套件的資訊。

開始之前

要執行本筆記本，您需要執行以下操作

🦜🔗 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，您可以使用頂部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，請查看此處的設定說明。

from google.colab import auth

auth.authenticate_user()

☁ 設定您的 Google Cloud 專案

設定您的 Google Cloud 專案，以便您可以利用本筆記本中的 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：找到專案 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}

基本用法

設定 AlloyDB 資料庫值

在 AlloyDB 執行個體頁面中找到您的資料庫值。

# @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 會設定到您的 AlloyDB 資料庫的連線集區，從而可以從您的應用程式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 件事

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。

依預設，IAM 資料庫驗證將用作資料庫驗證的方法。此程式庫使用屬於來自環境的應用程式預設憑證 (ADC)的 IAM 主體。

或者，也可以使用使用使用者名稱和密碼存取 AlloyDB 資料庫的內建資料庫驗證。只需將可選的 user 和 password 引數提供給 AlloyDBEngine.from_instance()

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 類別需要一個資料庫表格。 AlloyDBEngine 引擎有一個輔助方法 init_vectorstore_table()，可用於為您建立具有適當結構描述的表格。

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，瞭解更多關於文字嵌入模型的資訊。

# 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
)

初始化預設的 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)

透過向量搜尋文件

query_vector = embedding.embed_query(query)
docs = await store.asimilarity_search_by_vector(query_vector, k=2)
print(docs)

新增索引

透過套用向量索引來加速向量搜尋查詢。了解更多關於向量索引。

from langchain_google_alloydb_pg.indexes import IVFFlatIndex

index = IVFFlatIndex()
await store.aapply_vector_index(index)

重新建立索引

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過濾相似性搜尋。

建立具有自訂元資料欄位的資料表。

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",
)

使用元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)

向量儲存區概念指南
向量儲存區操作指南

開始之前​

🦜🔗 程式庫安裝​

🔐 驗證​

☁ 設定您的 Google Cloud 專案​

基本用法​

設定 AlloyDB 資料庫值​

AlloyDBEngine 連線集區​

初始化表格​

建立嵌入類別執行個體​

初始化預設的 AlloyDBVectorStore​

新增文字​

刪除文字​

搜尋文件​

透過向量搜尋文件​

新增索引​

重新建立索引​

移除索引​

建立自訂向量儲存區​

使用元資料篩選器搜尋文件​

相關連結​

此頁面是否對您有幫助？