Google SQL for SQL Server

Google Cloud SQL 是一个完全托管的关系数据库服务，提供高性能、无缝集成和令人印象深刻的可扩展性。它提供 MySQL、PostgreSQL 和 SQL Server 数据库引擎。扩展您的数据库应用程序，构建利用 Cloud SQL 的 Langchain 集成的 AI 驱动体验。

本笔记本介绍了如何使用 Google Cloud SQL for SQL Server 通过 MSSQLChatMessageHistory 类存储聊天消息历史记录。

在 GitHub 上了解更多关于该包的信息。

开始之前

要运行此笔记本，您需要执行以下操作：

• 创建 Google Cloud 项目
• 启用 Cloud SQL Admin API。
• 创建 SQL Server 的 Cloud SQL 实例
• 创建 Cloud SQL 数据库
• 创建数据库用户（如果您选择使用 sqlserver 用户，则为可选）

🦜🔗 库安装

集成存在于其自己的 langchain-google-cloud-sql-mssql 包中，因此我们需要安装它。

%pip install --upgrade --quiet langchain-google-cloud-sql-mssql langchain-google-vertexai

仅限 Colab： 取消注释以下单元以重启内核，或使用按钮重启内核。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)

🔐 身份验证

作为登录此笔记本的 IAM 用户对 Google Cloud 进行身份验证，以便访问您的 Google Cloud 项目。

• 如果您使用 Colab 运行此笔记本，请使用下面的单元格并继续。
• 如果您使用 Vertex AI Workbench，请查看 这里 的设置说明。

from google.colab import auth

auth.authenticate_user()

☁ 设置您的 Google Cloud 项目

设置您的 Google Cloud 项目，以便您可以在此笔记本中利用 Google Cloud 资源。

如果您不知道您的项目 ID，请尝试以下方法：

• 运行 gcloud config list。
• 运行 gcloud projects list。
• 请参阅支持页面：查找项目 ID。

# @markdown 请在下面填写您的 Google Cloud 项目 ID，然后运行该单元格。

PROJECT_ID = "my-project-id"  # @param {type:"string"}

# 设置项目 ID
!gcloud config set project {PROJECT_ID}

💡 API 启用

langchain-google-cloud-sql-mssql 包要求您在 Google Cloud 项目中 启用 Cloud SQL Admin API。

# enable Cloud SQL Admin API
!gcloud services enable sqladmin.googleapis.com

基本用法

设置 Cloud SQL 数据库值

在 Cloud SQL 实例页面 中找到您的数据库值。

# @title Set Your Values Here { display-mode: "form" }
REGION = "us-central1"  # @param {type: "string"}
INSTANCE = "my-mssql-instance"  # @param {type: "string"}
DATABASE = "my-database"  # @param {type: "string"}
DB_USER = "my-username"  # @param {type: "string"}
DB_PASS = "my-password"  # @param {type: "string"}
TABLE_NAME = "message_store"  # @param {type: "string"}

MSSQLEngine 连接池

将 Cloud SQL 作为 ChatMessageHistory 存储的一个要求和参数是 MSSQLEngine 对象。MSSQLEngine 配置了一个连接池到您的 Cloud SQL 数据库，使您的应用程序能够成功连接并遵循行业最佳实践。

要使用 MSSQLEngine.from_instance() 创建 MSSQLEngine，您只需提供 6 个信息：

1. project_id : Cloud SQL 实例所在的 Google Cloud 项目的项目 ID。
2. region : Cloud SQL 实例所在的区域。
3. instance : Cloud SQL 实例的名称。
4. database : 要连接的 Cloud SQL 实例上的数据库名称。
5. user : 用于内置数据库身份验证和登录的数据库用户。
6. password : 用于内置数据库身份验证和登录的数据库密码。

默认情况下，使用用户名和密码访问 Cloud SQL 数据库的 内置数据库身份验证 用于数据库身份验证。

from langchain_google_cloud_sql_mssql import MSSQLEngine

engine = MSSQLEngine.from_instance(
    project_id=PROJECT_ID,
    region=REGION,
    instance=INSTANCE,
    database=DATABASE,
    user=DB_USER,
    password=DB_PASS,
)

初始化表

MSSQLChatMessageHistory 类需要一个具有特定模式的数据库表，以存储聊天消息历史记录。

MSSQLEngine 引擎有一个辅助方法 init_chat_history_table()，可以用来为您创建一个具有正确模式的表。

engine.init_chat_history_table(table_name=TABLE_NAME)

MSSQLChatMessageHistory

要初始化 MSSQLChatMessageHistory 类，您只需要提供以下三项内容：

1. engine - 一个 MSSQLEngine 引擎的实例。
2. session_id - 一个唯一标识符字符串，用于指定会话的 ID。
3. table_name : 存储聊天消息历史的 Cloud SQL 数据库中的表名。

from langchain_google_cloud_sql_mssql import MSSQLChatMessageHistory

history = MSSQLChatMessageHistory(
    engine, session_id="test_session", table_name=TABLE_NAME
)
history.add_user_message("hi!")
history.add_ai_message("whats up?")

history.messages

[HumanMessage(content='hi!'), AIMessage(content='whats up?')]

清理

当特定会话的历史记录过时时，可以通过以下方式删除。

注意： 一旦删除，数据将不再存储在 Cloud SQL 中，且将永久丢失。

history.clear()

🔗 链接

我们可以轻松地将此消息历史类与 LCEL Runnables 结合起来。

为此，我们将使用 Google 的 Vertex AI 聊天模型，这要求您在 Google Cloud 项目中 启用 Vertex AI API。

# enable Vertex AI API
!gcloud services enable aiplatform.googleapis.com

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_google_vertexai import ChatVertexAI

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant."),
        MessagesPlaceholder(variable_name="history"),
        ("human", "{question}"),
    ]
)

chain = prompt | ChatVertexAI(project=PROJECT_ID)

chain_with_history = RunnableWithMessageHistory(
    chain,
    lambda session_id: MSSQLChatMessageHistory(
        engine,
        session_id=session_id,
        table_name=TABLE_NAME,
    ),
    input_messages_key="question",
    history_messages_key="history",
)

# This is where we configure the session id
config = {"configurable": {"session_id": "test_session"}}

chain_with_history.invoke({"question": "Hi! I'm bob"}, config=config)

AIMessage(content=' Hello Bob, how can I help you today?')

chain_with_history.invoke({"question": "Whats my name"}, config=config)

AIMessage(content=' Your name is Bob.')