探索Google Cloud SQL for MySQL的潜力：集成向量存储实现强大AI体验

最新推荐文章于 2025-06-07 09:04:54 发布

sfewyrtwjw

最新推荐文章于 2025-06-07 09:04:54 发布

阅读量435

点赞数 3

CC 4.0 BY-SA版权

文章标签： sql mysql 人工智能 python

本文链接：https://blog.youkuaiyun.com/sfewyrtwjw/article/details/144308899

引言

在当今数据驱动的时代，结合AI技术来扩展数据库应用程序已成为趋势。Google Cloud SQL提供了一种完全托管的关系数据库服务，支持高性能、无缝集成和卓越的扩展性。通过其对向量存储的LangChain集成，开发者可以利用Cloud SQL构建AI驱动的体验。在这篇文章中，我们将详细介绍如何使用Cloud SQL for MySQL来存储向量嵌入。

主要内容

准备工作

在开始之前，您需要完成以下设置：

创建一个Google Cloud项目。
启用Cloud SQL Admin API。
创建一个Cloud SQL实例（版本需>=8.0.36，并配置cloudsql_vectordatabase标志为"On"）。
创建一个Cloud SQL数据库，并添加一个用户。

库安装

首先，安装所需的库：

%pip install --upgrade --quiet langchain-google-cloud-sql-mysql langchain-google-vertexai

身份验证与项目设置

在Google Cloud中进行身份验证：

from google.colab import auth
auth.authenticate_user()

设置您的Google Cloud项目：

PROJECT_ID = "my-project-id"  # @param {type:"string"}
!gcloud config set project {PROJECT_ID}

基本用法

配置Cloud SQL数据库

从Cloud SQL实例页面获取您的数据库值：

REGION = "us-central1"  # @param {type: "string"}
INSTANCE = "my-mysql-instance"  # @param {type: "string"}
DATABASE = "my-database"  # @param {type: "string"}
TABLE_NAME = "vector_store"  # @param {type: "string"}

建立MySQLEngine连接池

from langchain_google_cloud_sql_mysql import MySQLEngine

engine = MySQLEngine.from_instance(
    project_id=PROJECT_ID, region=REGION, instance=INSTANCE, database=DATABASE
)

初始化表

engine.init_vectorstore_table(
    table_name=TABLE_NAME,
    vector_size=768,  # VertexAI model textembedding-gecko@latest
)

创建嵌入类实例

from langchain_google_vertexai import VertexAIEmbeddings

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

初始化MySQLVectorStore

from langchain_google_cloud_sql_mysql import MySQLVectorStore

store = MySQLVectorStore(
    engine=engine,
    embedding_service=embedding,
    table_name=TABLE_NAME,
)

添加和检索文本

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]

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

查找文本

query = "I'd like a fruit."
docs = store.similarity_search(query)
print(docs[0].page_content)

根据向量查找

query_vector = embedding.embed_query(query)
docs = store.similarity_search_by_vector(query_vector, k=2)
print(docs)

常见问题和解决方案

API访问问题

由于某些地区的网络限制，访问API时可能会遇到困难。建议使用API代理服务来提高访问的稳定性和速度。

性能优化

为提高查询速度，可以应用向量索引：

from langchain_google_cloud_sql_mysql import VectorIndex
store.apply_vector_index(VectorIndex())

总结与进一步学习资源

本文探索了如何在Google Cloud SQL for MySQL中使用向量存储。在开发AI驱动的应用程序时，此技术提供了强大的工具来处理和查询数据。

进一步学习资源：

参考资料

Google Cloud SQL: https://cloud.google.com/sql
LangChain GitHub: https://github.com/langchain-ai/langchain

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
—END—