**利用Google Firestore实现AI驱动的数据库应用：入门指南**

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143654817

# 引言

随着AI的迅速发展，数据库不再仅仅是数据存储的工具，而是成为构建智能应用的重要组成部分。在这篇文章中，我们将探索如何使用Google Firestore作为向量存储库，以建立AI驱动的应用。通过这一过程，你将了解如何使用Firestore的Langchain集成来存储和查询向量数据。

# 主要内容

## Firestore简介

Firestore 是一种无服务器的文档导向数据库，能够根据需求自动扩展。它特别适合与AI技术相结合，尤其是在处理大规模数据时。

## 准备工作

进行任何操作之前，你需要：

1. 创建一个Google Cloud项目。
2. 启用Firestore API。
3. 创建一个Firestore数据库。

通过这些步骤，你将能够在环境中访问数据库并进行相应的操作。

## 初始化和安装

为了使用Firestore与Langchain集成，首先需要安装相关的库：

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

设置Google Cloud项目

确保在环境中设置了正确的Google Cloud项目ID：

PROJECT_ID = "your-project-id"  # 请替换为你的项目ID
!gcloud config set project {PROJECT_ID}

身份验证

在Colab环境中，可以使用以下方式进行身份验证：

from google.colab import auth
auth.authenticate_user()

基本用法

初始化FirestoreVectorStore

首先，我们需要初始化FirestoreVectorStore来存储向量。我们可以使用Google的生成式AI嵌入模型。

from langchain_google_firestore import FirestoreVectorStore
from langchain_google_vertexai import VertexAIEmbeddings

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

# 示例数据
ids = ["apple", "banana", "orange"]
fruits_texts = ['{"name": "apple"}', '{"name": "banana"}', '{"name": "orange"}']

# 创建一个向量存储
vector_store = FirestoreVectorStore(
    collection="fruits",
    embedding=embedding,
)

# 向量存储添加文本
vector_store.add_texts(fruits_texts, ids=ids)

删除和更新向量

你可以通过提供文档ID来删除向量：

vector_store.delete(ids)

更新向量与添加类似，只需提供新的向量和ID：

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

相似性搜索

搜索类似文档的能力是FirestoreVectorStore的一大特点：

vector_store.similarity_search("I like fuji apples", k=3)

可以通过filters参数添加预过滤条件：

from google.cloud.firestore_v1.base_query import FieldFilter

vector_store.max_marginal_relevance_search(
    "fuji", 5, filters=FieldFilter("content", "==", "apple")
)