在Google Cloud SQL for MySQL中存储和检索向量嵌入_mysql 向量检索如何实现-优快云博客

在现代AI应用中，向量嵌入已成为高效处理和存储文本数据的重要方法。Google Cloud SQL 是一个完全托管的关系型数据库服务，支持高性能、无缝集成和卓越的可扩展性。本文将详细介绍如何使用Cloud SQL for MySQL存储向量嵌入，并利用MySQLVectorStore类实现快速向量检索。

技术背景介绍

Google Cloud SQL 支持 PostgreSQL、MySQL 和 SQL Server 数据库引擎，并能通过LangChain扩展您的数据库应用程序，以构建AI驱动的体验。本教程特别关注MySQL实例，并指导您如何在Cloud SQL数据库中存储和检索向量嵌入。

核心原理解析

通过MySQL的云功能增强，使得在数据库中存储和检索向量成为可能。结合LangChain库的MySQLVectorStore类，我们能够快速建立一个支持向量检索的数据库表。

代码实现演示

以下是实现存储和检索向量嵌入的完整代码流程。

1. 环境准备

首先，您需要在Google Cloud中配置项目和Cloud SQL实例。

# 设置Google Cloud项目
PROJECT_ID = "my-project-id"  # 填入您的Google Cloud项目ID
!gcloud config set project {PROJECT_ID}

2. 初始化数据库连接

使用MySQLEngine.from_instance()创建数据库引擎。

from langchain_google_cloud_sql_mysql import MySQLEngine

engine = MySQLEngine.from_instance(
    project_id=PROJECT_ID, 
    region="us-central1", 
    instance="my-mysql-instance", 
    database="my-database"
)

3. 初始化表格

通过init_vectorstore_table()初始化适用于向量存储的表。

engine.init_vectorstore_table(
    table_name="vector_store",
    vector_size=768  # 使用VertexAI的textembedding-gecko模型
)

4. 创建嵌入类实例

启用Vertex AI API，并创建嵌入模型实例。

!gcloud services enable aiplatform.googleapis.com

from langchain_google_vertexai import VertexAIEmbeddings

embedding = VertexAIEmbeddings(
    model_name="textembedding-gecko@latest", 
    project=PROJECT_ID
)

5. 初始化`MySQLVectorStore`

使用数据库引擎和嵌入模型实例化向量存储。

from langchain_google_cloud_sql_mysql import MySQLVectorStore

store = MySQLVectorStore(
    engine=engine,
    embedding_service=embedding,
    table_name="vector_store",
)

6. 添加和检索文本

添加文本并进行向量搜索。

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]

store.add_texts(all_texts, metadatas=metadatas, ids=ids)

# 搜索文本
query = "I'd like a fruit."
docs = store.similarity_search(query)
print(docs[0].page_content)  # 输出 "Pineapple"