Skip to main content
Open In ColabOpen on GitHub

Oracle AI 向量搜索：生成嵌入

Oracle AI 向量搜索专为人工智能（AI）工作负载设计，允许您基于语义而非关键字查询数据。 Oracle AI 向量搜索的最大优势之一是，可以在一个系统中将非结构化数据的语义搜索与业务数据的关系搜索结合起来。 这不仅功能强大，而且显著更有效，因为您不需要添加专门的向量数据库，消除了多个系统之间数据分散的痛点。

此外，您的向量可以从Oracle数据库的所有最强大功能中受益，例如以下内容：

本指南演示了如何在Oracle AI向量搜索中使用嵌入功能，通过OracleEmbeddings为您的文档生成嵌入。

如果您刚开始使用Oracle数据库，可以考虑探索免费的Oracle 23 AI，它为您提供了一个很好的介绍来设置您的数据库环境。在使用数据库时，通常建议避免默认使用系统用户；相反，您可以创建自己的用户以增强安全性和自定义性。有关用户创建的详细步骤，请参阅我们的端到端指南，该指南还展示了如何在Oracle中设置用户。此外，了解用户权限对于有效管理数据库安全至关重要。您可以在官方的Oracle指南中了解更多关于管理用户帐户和安全的信息。

先决条件​

确保您已安装Oracle Python客户端驱动程序，以便于Langchain与Oracle AI向量搜索的集成。

# pip install oracledb

连接到Oracle数据库​

以下示例代码将展示如何连接到Oracle数据库。默认情况下，python-oracledb以“Thin”模式运行，该模式直接连接到Oracle数据库。此模式不需要Oracle客户端库。然而，当python-oracledb使用它们时，一些额外的功能是可用的。当使用Oracle客户端库时，python-oracledb被称为“Thick”模式。两种模式都具有支持Python数据库API v2.0规范的全面功能。请参阅以下指南，该指南讨论了每种模式下支持的功能。如果您无法使用thin模式，您可能希望切换到thick模式。

import sys

import oracledb

# Update the following variables with your Oracle database credentials and connection details
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)

对于嵌入生成，用户有几种提供者选项可供选择，包括在数据库内生成嵌入以及第三方服务，如OcigenAI、Hugging Face和OpenAI。选择第三方提供者的用户必须建立包含必要认证信息的凭据。或者，如果用户选择“数据库”作为提供者，则需要将ONNX模型加载到Oracle数据库中以便生成嵌入。

加载 ONNX 模型​

Oracle 支持多种嵌入提供者，使用户能够在专有数据库解决方案和第三方服务（如 OCIGENAI 和 HuggingFace）之间进行选择。这一选择决定了生成和管理嵌入的方法。

重要：如果用户选择数据库选项，他们必须将ONNX模型上传到Oracle数据库中。相反，如果选择第三方提供商进行嵌入生成，则不需要将ONNX模型上传到Oracle数据库。

在Oracle中直接使用ONNX模型的一个显著优势是，它通过消除将数据传输给外部各方的需求，提供了增强的安全性和性能。此外，这种方法避免了通常与网络或REST API调用相关的延迟。

以下是将ONNX模型上传到Oracle数据库的示例代码：

from langchain_community.embeddings.oracleai import OracleEmbeddings

# Update the directory and file names for your ONNX model
# make sure that you have onnx file in the system
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)
API Reference:OracleEmbeddings

创建凭证​

在选择第三方提供商生成嵌入时，用户需要建立凭证以安全访问提供商的端点。

重要提示： 选择“database”提供程序生成嵌入时不需要凭据。但是，如果用户决定使用第三方提供程序，则必须创建特定于所选提供程序的凭据。

以下是一个说明性的例子：

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 向量搜索提供了多种生成嵌入的方法，利用本地托管的 ONNX 模型或第三方 API。有关配置这些替代方案的详细说明，请参阅 Oracle AI 向量搜索指南。

注意： 用户可能需要配置代理才能使用第三方嵌入生成提供商，不包括使用ONNX模型的“database”提供商。

# proxy to be used when we instantiate summary and embedder object
proxy = "<proxy>"

以下示例代码将展示如何生成嵌入：

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

"""
# using ocigenai
embedder_params = {
    "provider": "ocigenai",
    "credential_name": "OCI_CRED",
    "url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
    "model": "cohere.embed-english-light-v3.0",
}

# using huggingface
embedder_params = {
    "provider": "huggingface", 
    "credential_name": "HF_CRED", 
    "url": "https://api-inference.huggingface.co/pipeline/feature-extraction/", 
    "model": "sentence-transformers/all-MiniLM-L6-v2", 
    "wait_for_model": "true"
}
"""

# using ONNX model loaded to Oracle Database
embedder_params = {"provider": "database", "model": "demo_model"}

# If a proxy is not required for your environment, you can omit the 'proxy' parameter below
embedder = OracleEmbeddings(conn=conn, params=embedder_params, proxy=proxy)
embed = embedder.embed_query("Hello World!")

""" verify """
print(f"Embedding generated by OracleEmbeddings: {embed}")
API Reference:OracleEmbeddings | Document

端到端演示​

请参考我们的完整演示指南Oracle AI Vector Search End-to-End Demo Guide，借助Oracle AI Vector Search构建端到端的RAG管道。

这个页面有帮助吗？