适用于 SQL Server 的 Google SQL
Google Cloud SQL 是一个完全托管的关系型数据库服务，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。通过 Cloud SQL 的 Langchain 集成，可以扩展数据库应用程序以构建基于人工智能的体验。
本笔记本介绍了如何使用 Google Cloud SQL for SQL Server 来存储聊天消息历史，使用 MSSQLChatMessageHistory 类。
在 GitHub 上了解有关该软件包的更多信息。
开始之前
要运行此笔记本，您需要执行以下操作：
创建一个数据库用户（如果选择使用
sqlserver用户，则可选）
🦜🔗 安装库
集成位于自己的 langchain-google-cloud-sql-mssql 软件包中，因此我们需要安装它。
%pip install --upgrade --quiet langchain-google-cloud-sql-mssql langchain-google-vertexai**仅适用于 Colab：**取消下面的注释以重新启动内核，或使用顶部的按钮重新启动内核。对于 Vertex AI Workbench，您可以使用顶部的按钮重新启动终端。
# # 在安装后自动重新启动内核，以便您的环境可以访问新的软件包
# import IPython
# app = IPython.Application.instance()
# app.kernel.do_shutdown(True)🔐 认证
作为在此笔记本中登录的 IAM 用户，进行 Google Cloud 认证，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。参见支持页面：查找项目 ID。
# @markdown 请在下面的值中填写您的 Google Cloud 项目 ID，然后运行单元格。
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 软件包要求您在 Google Cloud 项目中启用 Cloud SQL Admin API。
# 启用 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 在此处设置您的值 { 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
要将 Cloud SQL 设置为 ChatMessageHistory 内存存储的要求和参数之一是 MSSQLEngine 对象。MSSQLEngine 配置了连接池到您的 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，您只需要提供 6 个参数：
project_id：Cloud SQL 实例所在的 Google Cloud 项目 ID。region：Cloud SQL 实例所在的区域。instance：Cloud SQL 实例的名称。database：要连接到的 Cloud SQL 实例上的数据库的名称。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。
默认情况下，使用用户名和密码进行内置数据库身份验证来访问 Cloud SQL 数据库。
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,
)初始化表格
MSSQLChatMessageHistory 类需要一个具有特定模式的数据库表格，以便存储聊天消息历史记录。
MSSQLEngine 引擎有一个辅助方法 init_chat_history_table()，可以用来为您创建具有正确模式的表格。
engine.init_chat_history_table(table_name=TABLE_NAME)MSSQLChatMessageHistory
要初始化 MSSQLChatMessageHistory 类，您只需要提供以下 3 个内容：
engine-MSSQLEngine引擎的一个实例。session_id- 一个唯一的标识字符串，用于指定会话的 id。table_name：存储聊天消息历史记录的 Cloud SQL 数据库中的表格名称。
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且可以删除时，可以按以下方式进行删除。
**注意：**一旦删除，数据将不再存储在 Cloud SQL 中，将永远丢失。
history.clear()🔗 链接
我们可以轻松将此消息历史记录类与 LCEL Runnables 结合使用。
为此，我们将使用其中之一的 Google 的 Vertex AI 聊天模型，该模型要求您在 Google Cloud 项目中 启用 Vertex AI API。
# 启用 Vertex AI API
!gcloud services enable aiplatform.googleapis.comfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_google_vertexai import ChatVertexAIprompt = 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",
)# 这是我们配置会话 id 的地方
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.')