Google AlloyDB for PostgreSQL
AlloyDB 是一个完全托管的关系型数据库服务，提供高性能、无缝集成和令人印象深刻的扩展性。AlloyDB 与 PostgreSQL 100% 兼容。利用 AlloyDB 的 Langchain 集成，扩展您的数据库应用程序以构建由 AI 驱动的体验。
本笔记本介绍如何使用AlloyDB for PostgreSQL通过AlloyDBVectorStore类存储向量嵌入。
了解更多关于该包的信息，请访问GitHub。
开始之前
要运行此笔记本，您需要执行以下操作：
🦜🔗 库安装
安装集成库 langchain-google-alloydb-pg 和嵌入服务库 langchain-google-vertexai。
%pip install --upgrade --quiet langchain-google-alloydb-pg langchain-google-vertexai
仅限Colab：取消注释以下单元格以重新启动内核，或使用按钮重新启动内核。对于Vertex AI Workbench，您可以使用顶部的按钮重新启动终端。
# # 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)
🔐 认证
以登录此笔记本的IAM用户身份验证到Google Cloud，以便访问您的Google Cloud项目。
- 如果您正在使用Colab运行此笔记本，请使用下面的单元格并继续。
- 如果您正在使用Vertex AI Workbench，请查看这里的设置说明。
from google.colab import auth
auth.authenticate_user()
☁ 设置您的Google Cloud项目
设置您的Google Cloud项目，以便您可以在此笔记本中利用Google Cloud资源。
如果您不知道您的项目ID，请尝试以下操作：
- 运行
gcloud config list。 - 运行
gcloud projects list。 - 查看支持页面：Locate the project 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
设置AlloyDB数据库值
在AlloyDB 实例页面中找到您的数据库值。
# @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 连接池
建立AlloyDB作为向量存储的要求和参数之一是AlloyDBEngine对象。AlloyDBEngine配置了一个连接到您的AlloyDB数据库的连接池，使您的应用程序能够成功连接并遵循行业最佳实践。
要使用AlloyDBEngine.from_instance()创建AlloyDBEngine，你只需要提供5样东西：
project_id: AlloyDB 实例所在的 Google Cloud 项目的项目 ID。region: AlloyDB实例所在的区域。cluster: AlloyDB集群的名称。instance: AlloyDB实例的名称。database: 要连接的 AlloyDB 实例上的数据库名称。
默认情况下，IAM数据库认证将用作数据库认证的方法。该库使用属于应用程序默认凭据（ADC）的IAM主体，这些凭据来自环境。
可选地，也可以使用内置数据库认证，通过用户名和密码访问AlloyDB数据库。只需提供可选的user和password参数给AlloyDBEngine.from_instance()：
user: 用于内置数据库认证和登录的数据库用户password: 用于内置数据库认证和登录的数据库密码。
注意： 本教程演示了异步接口。所有异步方法都有相应的同步方法。
from langchain_google_alloydb_pg import AlloyDBEngine
engine = await AlloyDBEngine.afrom_instance(
project_id=PROJECT_ID,
region=REGION,
cluster=CLUSTER,
instance=INSTANCE,
database=DATABASE,
)
初始化一个表格
AlloyDBVectorStore 类需要一个数据库表。AlloyDBEngine 引擎有一个辅助方法 init_vectorstore_table()，可以用来为你创建一个具有正确模式的表。
await engine.ainit_vectorstore_table(
table_name=TABLE_NAME,
vector_size=768, # Vector size for VertexAI model(textembedding-gecko@latest)
)
创建一个嵌入类实例
你可以使用任何LangChain嵌入模型。
你可能需要启用Vertex AI API来使用VertexAIEmbeddings。我们建议为生产环境设置嵌入模型的版本，了解更多关于文本嵌入模型的信息。
# 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
)
初始化一个默认的AlloyDBVectorStore
from langchain_google_alloydb_pg import AlloyDBVectorStore
store = await AlloyDBVectorStore.create(
engine=engine,
table_name=TABLE_NAME,
embedding_service=embedding,
)
添加文本
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)
删除文本
await store.adelete([ids[1]])
搜索文档
query = "I'd like a fruit."
docs = await store.asimilarity_search(query)
print(docs)
通过向量搜索文档
query_vector = embedding.embed_query(query)
docs = await store.asimilarity_search_by_vector(query_vector, k=2)
print(docs)
添加索引
通过应用向量索引来加速向量搜索查询。了解更多关于向量索引的信息。
from langchain_google_alloydb_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
删除索引
await store.adrop_vector_index() # Delete index using default name
创建一个自定义的向量存储
向量存储可以利用关系数据来过滤相似性搜索。
创建一个带有自定义元数据列的表。
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",
)
使用元数据过滤器搜索文档
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)