Membangun aplikasi yang didukung LLM menggunakan LangChain

Halaman ini memperkenalkan cara mem-build aplikasi yang didukung LLM menggunakan LangChain. Ringkasan di halaman ini tertaut ke panduan prosedur di GitHub.

Apa itu LangChain?

LangChain adalah framework orkestrasi LLM yang membantu developer membuat aplikasi AI generatif atau alur kerja retrieval-augmented generation (RAG). Framework ini menyediakan struktur, alat, dan komponen untuk menyederhanakan alur kerja LLM yang kompleks.

Untuk informasi selengkapnya tentang LangChain, lihat halaman LangChain Google. Untuk informasi selengkapnya tentang framework LangChain, lihat dokumentasi produk LangChain.

Komponen LangChain untuk Cloud SQL untuk PostgreSQL

Cloud SQL untuk PostgreSQL menawarkan antarmuka LangChain berikut:

Pelajari cara menggunakan LangChain dengan Panduan Memulai LangChain untuk Cloud SQL untuk PostgreSQL.

Penyimpanan vektor untuk Cloud SQL untuk PostgreSQL

Penyimpanan vektor mengambil dan menyimpan dokumen serta metadata dari database vektor. Penyimpanan vektor memberi aplikasi kemampuan untuk melakukan penelusuran semantik yang menafsirkan makna kueri pengguna. Jenis penelusuran ini disebut penelusuran vektor, dan dapat menemukan topik yang cocok dengan kueri secara konseptual. Pada waktu kueri, penyimpanan vektor mengambil vektor penyematan yang paling mirip dengan penyematan permintaan penelusuran. Di LangChain, penyimpanan vektor akan menyimpan data tersemat dan melakukan penelusuran vektor untuk Anda.

Untuk menggunakan penyimpanan vektor di Cloud SQL untuk PostgreSQL, gunakan class PostgresVectorStore.

Untuk informasi selengkapnya, lihat dokumentasi produk Penyimpanan Vektor LangChain.

Panduan prosedur penyimpanan vektor

Panduan Cloud SQL untuk PostgreSQL untuk penyimpanan vektor menunjukkan cara melakukan hal berikut:

  • Menginstal paket integrasi dan LangChain
  • Membuat objek PostgresEngine dan mengonfigurasi kumpulan koneksi ke database Cloud SQL untuk PostgreSQL
  • Melakukan inisialisasi tabel
  • Membuat objek penyematan menggunakan VertexAIEmbeddings
  • Melakukan inisialisasi PostgresVectorStore default
  • Menambahkan teks
  • Menghapus teks
  • Menelusuri dokumen
  • Menelusuri dokumen berdasarkan vektor
  • Menambahkan indeks untuk mempercepat kueri penelusuran vektor
  • Mengindeks ulang
  • Menghapus indeks
  • Membuat penyimpanan vektor kustom
  • Menelusuri dokumen dengan filter metadata

Loader dokumen untuk Cloud SQL untuk PostgreSQL

Pengisi dokumen menyimpan, memuat, dan menghapus objek Document LangChain. Misalnya, Anda dapat memuat data untuk diproses ke dalam penyematan dan menyimpan data tersebut di penyimpanan vektor atau menggunakannya sebagai alat untuk memberikan konteks tertentu ke rantai.

Untuk memuat dokumen dari loader dokumen di Cloud SQL untuk PostgreSQL, gunakan class PostgresLoader. PostgresLoader menampilkan daftar dokumen dari tabel menggunakan kolom pertama untuk konten halaman dan semua kolom lainnya untuk metadata. Tabel default memiliki kolom pertama sebagai konten halaman dan kolom kedua sebagai metadata JSON. Setiap baris menjadi dokumen. Gunakan class PostgresDocumentSaver untuk menyimpan dan menghapus dokumen.

Untuk informasi selengkapnya, lihat topik Loader Dokumen LangChain.

Panduan prosedur loader dokumen

Panduan Cloud SQL untuk PostgreSQL untuk loader dokumen menunjukkan cara melakukan hal berikut:

  • Menginstal paket integrasi dan LangChain
  • Memuat dokumen dari tabel
  • Menambahkan filter ke loader
  • Menyesuaikan koneksi dan autentikasi
  • Menyesuaikan konstruksi Dokumen dengan menentukan konten dan metadata pelanggan
  • Cara menggunakan dan menyesuaikan PostgresDocumentSaver untuk menyimpan dan menghapus dokumen

Histori pesan chat untuk Cloud SQL untuk PostgreSQL

Aplikasi pertanyaan dan jawaban memerlukan histori hal-hal yang diucapkan dalam percakapan untuk memberikan konteks aplikasi guna menjawab pertanyaan lebih lanjut dari pengguna. Class ChatMessageHistory LangChain memungkinkan aplikasi menyimpan pesan ke database dan mengambilnya saat diperlukan untuk merumuskan jawaban lebih lanjut. Pesan dapat berupa pertanyaan, jawaban, pernyataan, ucapan, atau bagian teks lainnya yang diberikan pengguna atau aplikasi selama percakapan. ChatMessageHistory menyimpan setiap pesan dan mengaitkan pesan untuk setiap percakapan.

Cloud SQL untuk PostgreSQL memperluas class ini dengan PostgresChatMessageHistory.

Panduan prosedur histori pesan Chat

Panduan Cloud SQL untuk PostgreSQL untuk histori pesan chat menunjukkan cara melakukan hal berikut:

  • Menginstal LangChain dan melakukan autentikasi ke Google Cloud
  • Membuat objek PostgresEngine dan mengonfigurasi kumpulan koneksi ke database Cloud SQL untuk PostgreSQL
  • Melakukan inisialisasi tabel
  • Melakukan inisialisasi class PostgresChatMessageHistory untuk menambahkan dan menghapus pesan
  • Membuat rantai untuk histori pesan menggunakan Bahasa Ekspresi LangChain (LCEL) dan model chat Vertex AI Google

Langkah selanjutnya