Google SQL for PostgreSQL

Google Cloud SQL 是一个完全托管的关系数据库服务，提供高性能、无缝集成和出色的可扩展性。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。

本笔记本介绍如何使用 Google Cloud SQL for PostgreSQL 通过 PostgresChatMessageHistory 类存储聊天消息历史。

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 管理 API。
• 创建一个 PostgreSQL 的 Cloud SQL 实例
• 创建一个 Cloud SQL 数据库
• 向数据库添加 IAM 数据库用户（可选）

🦜🔗 库安装

集成位于其自己的 langchain-google-cloud-sql-pg 包中，因此我们需要安装它。

%pip install --upgrade --quiet langchain-google-cloud-sql-pg 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)

🔐 认证

作为已登录此笔记本的 IAM 用户，进行 Google Cloud 认证以访问您的 Google Cloud 项目。

• 如果您使用 Colab 来运行此笔记本，请使用下面的单元并继续。
• 如果您使用 Vertex AI Workbench，请查看 此处 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，请尝试以下操作：

• 运行 gcloud config list。
• 运行 gcloud projects list。
• 查看支持页面：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-pg 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 查找您的数据库值。

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

PostgresEngine 连接池

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

要使用 PostgresEngine.from_instance() 创建一个 PostgresEngine，您只需要提供 4 个参数：

1. project_id : 存放 Cloud SQL 实例的 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。

默认情况下，将使用 IAM 数据库身份验证 作为数据库身份验证的方法。该库使用来自环境的 应用默认凭据 (ADC) 所属的 IAM 主体。

有关 IAM 数据库身份验证的更多信息，请参见：

• 为 IAM 数据库身份验证配置实例
• 使用 IAM 数据库身份验证管理用户

可选地，您也可以使用 内置数据库身份验证，通过用户名和密码访问 Cloud SQL 数据库。只需向 PostgresEngine.from_instance() 提供可选的 user 和 password 参数：

• user : 用于内置数据库身份验证和登录的数据库用户
• password : 用于内置数据库身份验证和登录的数据库密码。

from langchain_google_cloud_sql_pg import PostgresEngine

engine = PostgresEngine.from_instance(
    project_id=PROJECT_ID, region=REGION, instance=INSTANCE, database=DATABASE
)

初始化表

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

PostgresEngine 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)

PostgresChatMessageHistory

要初始化 PostgresChatMessageHistory 类，您只需提供 3 个内容：

1. engine - 一个 PostgresEngine 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 : 用于存储聊天消息历史记录的 Cloud SQL 数据库中的表名。

from langchain_google_cloud_sql_pg import PostgresChatMessageHistory

history = PostgresChatMessageHistory.create_sync(
    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，并且将永久丢失。

history.clear()

🔗 链接

我们可以轻松地将此消息历史类与 LCEL 可运行对象 结合起来。

为此，我们将使用 Google 的 Vertex AI 聊天模型，这需要您在 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: PostgresChatMessageHistory.create_sync(
        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.')