Google Cloud SQL for PostgreSQL

Cloud SQL 是一種全受管關聯式資料庫服務，提供高效能、無縫整合和令人印象深刻的可擴展性。它提供 PostgreSQL、PostgreSQL 和 SQL Server 資料庫引擎。擴展您的資料庫應用程式，以利用 Cloud SQL 的 Langchain 整合功能來建構 AI 驅動的體驗。

本筆記本介紹如何使用 Cloud SQL for PostgreSQL 和 PostgresVectorStore 類別來儲存向量嵌入。

在 GitHub 上了解更多關於此套件的資訊。

開始之前

若要執行此筆記本，您需要執行以下操作

🦜🔗 程式庫安裝

安裝整合程式庫 langchain-google-cloud-sql-pg，以及嵌入服務程式庫 langchain-google-vertexai。

%pip install --upgrade --quiet  langchain-google-cloud-sql-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)

🔐 身份驗證

以登入此筆記本的 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 執行此筆記本，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，以便您可以在此筆記本中利用 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}

基本用法

設定 Cloud SQL 資料庫值

在 Cloud SQL 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"}
INSTANCE = "my-pg-instance"  # @param {type: "string"}
DATABASE = "my-database"  # @param {type: "string"}
TABLE_NAME = "vector_store"  # @param {type: "string"}

PostgresEngine 連線池

將 Cloud SQL 建立為向量儲存庫的需求和引數之一是 PostgresEngine 物件。PostgresEngine 會設定連線池到您的 Cloud SQL 資料庫，從而實現從您的應用程式成功連線並遵循業界最佳實務。

若要使用 PostgresEngine.from_instance() 建立 PostgresEngine，您只需要提供 4 件事

project_id：Cloud SQL 執行個體所在的 Google Cloud 專案的專案 ID。
region：Cloud SQL 執行個體所在的區域。
instance：Cloud SQL 執行個體的名稱。
database：要連線到 Cloud SQL 執行個體上的資料庫名稱。

預設情況下，IAM 資料庫驗證將用作資料庫驗證的方法。此程式庫使用屬於從環境來源的應用程式預設憑證 (ADC)的 IAM 主體。

如需有關 IAM 資料庫驗證的更多資訊，請參閱

或者，也可以使用內建資料庫驗證，使用使用者名稱和密碼來存取 Cloud SQL 資料庫。只需將選用的 user 和 password 引數提供給 PostgresEngine.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_cloud_sql_pg import PostgresEngine

engine = await PostgresEngine.afrom_instance(
    project_id=PROJECT_ID, region=REGION, instance=INSTANCE, database=DATABASE
)

初始化表格

PostgresVectorStore 類別需要資料庫表格。PostgresEngine 引擎有一個輔助方法 init_vectorstore_table()，可用於為您建立具有正確結構描述的表格。

from langchain_google_cloud_sql_pg import PostgresEngine

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，如需更多資訊，請參閱文字嵌入模型。

# 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
)

API 參考：VertexAIEmbeddings

初始化預設 PostgresVectorStore

from langchain_google_cloud_sql_pg import PostgresVectorStore

store = await PostgresVectorStore.create(  # Use .create() to initialize an async vector store
    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

透過套用向量索引來加速向量搜尋查詢。如需更多資訊，請參閱向量索引。

from langchain_google_cloud_sql_pg.indexes import IVFFlatIndex

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

重新索引

await store.areindex()  # Re-index using default index name

移除索引

await store.aadrop_vector_index()  # Delete index using default name

建立自訂向量儲存庫

向量儲存庫可以利用關聯式資料來篩選相似度搜尋。

建立具有自訂中繼資料欄位的表格。

from langchain_google_cloud_sql_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 PostgresVectorStore
custom_store = await PostgresVectorStore.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)

向量儲存庫概念指南
向量儲存庫操作指南

開始之前​

🦜🔗 程式庫安裝​

🔐 身份驗證​

☁ 設定您的 Google Cloud 專案​

基本用法​

設定 Cloud SQL 資料庫值​

PostgresEngine 連線池​

初始化表格​

建立嵌入類別執行個體​

初始化預設 PostgresVectorStore​

新增文字​

刪除文字​

搜尋文件​

依向量搜尋文件​

新增索引​

重新索引​

移除索引​

建立自訂向量儲存庫​

使用中繼資料篩選器搜尋文件​

相關​

此頁面是否有幫助？