Skip to main content
Open In ColabOpen on GitHub

Google Firestore (原生模式)

Firestore 是一个无服务器的面向文档的数据库，可根据任何需求进行扩展。通过利用 Firestore 的 Langchain 集成，扩展您的数据库应用程序以构建 AI 驱动的体验。

本笔记本将介绍如何使用 Firestore 来存储向量并使用 FirestoreVectorStore 类查询它们。

在 Colab 中打开

开始之前​

要运行此Notebook，您需要完成以下操作：

在 Notebook 的运行时环境中确认访问数据库后，填写以下值并运行单元格，然后再运行示例脚本。

# @markdown Please specify a source for demo purpose.
COLLECTION_NAME = "test"  # @param {type:"CollectionReference"|"string"}

🦜🔗 库安装​

集成部分位于独立的 langchain-google-firestore 包中，因此我们需要安装它。在本笔记本中，我们还将安装 langchain-google-genai 来使用 Google Generative AI 嵌入。

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

仅限 Colab: 取消注释下面的单元格以重启内核，或使用按钮来重启内核。对于 Vertex AI Workbench，您可以使用顶部的按钮重启终端。

# # Automatically restart kernel after installs so that your environment can access the new packages
# import IPython

# app = IPython.Application.instance()
# app.kernel.do_shutdown(True)

☁ 设置您的 Google Cloud 项目​

设置您的 Google Cloud 项目，以便在此笔记本中利用 Google Cloud 资源。

如果您不知道项目 ID，可以尝试以下方法：

  • 运行 gcloud config list。
  • 运行 gcloud projects list。
  • 查看支持页面：查找项目 ID。
# @markdown Please fill in the value below with your Google Cloud project ID and then run the cell.

PROJECT_ID = "extensions-testing"  # @param {type:"string"}

# Set the project id
!gcloud config set project {PROJECT_ID}

🔐 身份验证​

验证您笔记本当前登录的 IAM 用户身份，以便访问您的 Google Cloud 项目。

from google.colab import auth

auth.authenticate_user()

基本用法

初始化 FirestoreVectorStore​

FirestoreVectorStore 允许您将新向量存储在 Firestore 数据库中。您可以使用它来存储来自任何模型的嵌入，包括来自 Google Generative AI 的模型。

from langchain_google_firestore import FirestoreVectorStore
from langchain_google_vertexai import VertexAIEmbeddings

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

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

# Create a vector store
vector_store = FirestoreVectorStore(
    collection="fruits",
    embedding=embedding,
)

# Add the fruits to the vector store
vector_store.add_texts(fruits_texts, ids=ids)
API Reference:VertexAIEmbeddings

作为一种简写方式，您可以使用 from_texts 和 from_documents 方法在单个步骤中初始化并添加向量。

vector_store = FirestoreVectorStore.from_texts(
    collection="fruits",
    texts=fruits_texts,
    embedding=embedding,
)
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,
)
API Reference:Document

删除向量​

您可以使用 delete 方法从数据库中删除带有向量的文档。您需要提供要删除的向量的文档 ID。这将从数据库中删除整个文档，包括它可能拥有的任何其他字段。

vector_store.delete(ids)

更新向量​

更新向量与添加向量类似。您可以使用 add 方法，通过提供文档 ID 和新向量来更新文档的向量。

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​

您可以使用 FirestoreVectorStore 对存储的向量执行相似性搜索。这对于查找相似的文档或文本非常有用。

vector_store.similarity_search("I like fuji apples", k=3)
vector_store.max_marginal_relevance_search("fuji", 5)

您可以通过使用 filters 参数来添加搜索的预筛选。这对于按特定字段或值进行筛选非常有用。

from google.cloud.firestore_v1.base_query import FieldFilter

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

自定义连接与认证​

from google.api_core.client_options import ClientOptions
from google.cloud import firestore
from langchain_google_firestore import FirestoreVectorStore

client_options = ClientOptions()
client = firestore.Client(client_options=client_options)

# Create a vector store
vector_store = FirestoreVectorStore(
    collection="fruits",
    embedding=embedding,
    client=client,
)