[解锁Google Cloud SQL for PostgreSQL的潜能：构建AI驱动的应用程序]-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_29929123/article/details/144624087

# 解锁Google Cloud SQL for PostgreSQL的潜能：构建AI驱动的应用程序

在本篇文章中，我们将探索如何使用Google Cloud SQL for PostgreSQL来存储向量嵌入，并通过Langchain的集成扩展您的数据库应用程序，以构建AI驱动的体验。我们将深入探讨如何设置环境、配置数据库以及处理嵌入。最后，通过完整的代码示例，您将能够理解如何实现这一强大的功能。

## 引言

Google Cloud SQL是一个全面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可扩展性。本文旨在提供使用Cloud SQL for PostgreSQL存储和搜索向量嵌入的实用知识与见解。

## 主要内容

### 设置环境

在开始操作之前，我们需要完成以下步骤：

1. 创建一个Google Cloud项目。
2. 启用Cloud SQL Admin API。
3. 创建Cloud SQL实例和数据库。
4. 添加数据库用户。

### 安装必要的库

要使用Langchain的Google Cloud SQL的PostgreSQL集成库，请安装以下库：

```bash
%pip install --upgrade --quiet langchain-google-cloud-sql-pg langchain-google-vertexai

身份验证与项目设置

使用以下代码块进行身份验证和项目配置：

from google.colab import auth
auth.authenticate_user()

PROJECT_ID = "your-project-id"  # 替换为您的项目ID
!gcloud config set project {PROJECT_ID}

配置PostgresEngine连接池

from langchain_google_cloud_sql_pg import PostgresEngine

engine = await PostgresEngine.afrom_instance(
    project_id=PROJECT_ID, 
    region="us-central1", 
    instance="your-instance-name", 
    database="your-database-name"
)

初始化向量存储表

from langchain_google_cloud_sql_pg import PostgresEngine

await engine.ainit_vectorstore_table(
    table_name="vector_store",
    vector_size=768
)

嵌入类实例化

from langchain_google_vertexai import VertexAIEmbeddings

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

创建PostgresVectorStore

from langchain_google_cloud_sql_pg import PostgresVectorStore

store = await PostgresVectorStore.create(
    engine=engine,
    table_name="vector_store",
    embedding_service=embedding
)

代码示例

以下是使用PostgresVectorStore进行文本添加、删除和搜索的完整示例：

import uuid

# 添加文本
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)