跳至主要内容

Oracle AI 向量搜索：生成嵌入

Oracle AI 向量搜索专为人工智能 (AI) 工作负载而设计，允许您基于语义而不是关键字查询数据。Oracle AI 向量搜索的最大优势之一是可以在单个系统中将非结构化数据的语义搜索与业务数据的关联搜索结合起来。这不仅功能强大，而且效率更高，因为您无需添加专门的向量数据库，从而消除了多个系统之间数据碎片的困扰。

此外，您的向量可以受益于 Oracle 数据库的所有强大功能，例如以下功能

本指南演示了如何在 Oracle AI 向量搜索中使用嵌入功能，使用 OracleEmbeddings 为您的文档生成嵌入。

如果您刚开始使用 Oracle 数据库，可以考虑探索免费的 Oracle 23 AI，它提供了有关设置数据库环境的绝佳入门指南。在使用数据库时，通常建议避免默认使用系统用户；相反，您可以创建自己的用户以增强安全性和自定义功能。有关用户创建的详细步骤，请参阅我们的端到端指南，该指南还展示了如何在 Oracle 中设置用户。此外，了解用户权限对于有效管理数据库安全至关重要。您可以在官方的Oracle 指南中了解有关此主题的更多信息，该指南介绍了如何管理用户帐户和安全。

先决条件​

确保您已安装 Oracle Python 客户端驱动程序，以促进 Langchain 与 Oracle AI 向量搜索的集成。

# pip install oracledb

连接到 Oracle 数据库​

以下示例代码将展示如何连接到 Oracle 数据库。默认情况下，python-oracledb 以“瘦”模式运行，该模式直接连接到 Oracle 数据库。此模式不需要 Oracle 客户端库。但是，当 python-oracledb 使用它们时，可以使用一些其他功能。当使用 Oracle 客户端库时，据说 Python-oracledb 处于“粗”模式。这两种模式都具有全面的功能，支持 Python 数据库 API v2.0 规范。请参阅以下指南，该指南介绍了每种模式支持的功能。如果您无法使用瘦模式，则可能需要切换到粗模式。

import sys

import oracledb

# Update the following variables with your Oracle database credentials and connection details
username = "<username>"
password = "<password>"
dsn = "<hostname>/<service_name>"

try:
    conn = oracledb.connect(user=username, password=password, dsn=dsn)
    print("Connection successful!")
except Exception as e:
    print("Connection failed!")
    sys.exit(1)

对于嵌入生成，用户可以使用多种提供程序选项，包括在数据库内生成嵌入以及使用 OcigenAI、Hugging Face 和 OpenAI 等第三方服务。选择第三方提供程序的用户必须建立凭据，其中包含必要的身份验证信息。或者，如果用户选择“数据库”作为其提供程序，则需要将 ONNX 模型加载到 Oracle 数据库中以促进嵌入。

加载 ONNX 模型​

Oracle 支持多种嵌入提供程序，使用户能够在专有数据库解决方案和 OCIGENAI 和 HuggingFace 等第三方服务之间进行选择。此选择决定了生成和管理嵌入的方法。

重要提示：如果用户选择数据库选项，则必须将 ONNX 模型上传到 Oracle 数据库。相反，如果选择第三方提供程序来生成嵌入，则不需要将 ONNX 模型上传到 Oracle 数据库。

直接在 Oracle 中使用 ONNX 模型的一个重要优势是它提供的增强的安全性和性能，因为它消除了将数据传输到外部方的需要。此外，此方法避免了通常与网络或 REST API 调用相关的延迟。

以下是将 ONNX 模型上传到 Oracle 数据库的示例代码

from langchain_community.embeddings.oracleai import OracleEmbeddings

# Update the directory and file names for your ONNX model
# make sure that you have onnx file in the system
onnx_dir = "DEMO_DIR"
onnx_file = "tinybert.onnx"
model_name = "demo_model"

try:
    OracleEmbeddings.load_onnx_model(conn, onnx_dir, onnx_file, model_name)
    print("ONNX model loaded.")
except Exception as e:
    print("ONNX model loading failed!")
    sys.exit(1)
API 参考：OracleEmbeddings

创建凭据​

在选择第三方提供程序生成嵌入时，用户需要建立凭据以安全地访问提供程序的端点。

重要提示：选择“数据库”提供程序生成嵌入时，不需要凭据。但是，如果用户决定使用第三方提供程序，则必须创建特定于所选提供程序的凭据。

以下是一个说明性示例

try:
    cursor = conn.cursor()
    cursor.execute(
        """
       declare
           jo json_object_t;
       begin
           -- HuggingFace
           dbms_vector_chain.drop_credential(credential_name  => 'HF_CRED');
           jo := json_object_t();
           jo.put('access_token', '<access_token>');
           dbms_vector_chain.create_credential(
               credential_name   =>  'HF_CRED',
               params            => json(jo.to_string));

           -- OCIGENAI
           dbms_vector_chain.drop_credential(credential_name  => 'OCI_CRED');
           jo := json_object_t();
           jo.put('user_ocid','<user_ocid>');
           jo.put('tenancy_ocid','<tenancy_ocid>');
           jo.put('compartment_ocid','<compartment_ocid>');
           jo.put('private_key','<private_key>');
           jo.put('fingerprint','<fingerprint>');
           dbms_vector_chain.create_credential(
               credential_name   => 'OCI_CRED',
               params            => json(jo.to_string));
       end;
       """
    )
    cursor.close()
    print("Credentials created.")
except Exception as ex:
    cursor.close()
    raise

生成嵌入​

Oracle AI 向量搜索提供多种生成嵌入的方法，可以使用本地托管的 ONNX 模型或第三方 API。有关配置这些替代方案的完整说明，请参阅Oracle AI 向量搜索指南。

注意：用户可能需要配置代理才能使用第三方嵌入生成提供程序，但不包括使用 ONNX 模型的“数据库”提供程序。

# proxy to be used when we instantiate summary and embedder object
proxy = "<proxy>"

以下示例代码将展示如何生成嵌入

from langchain_community.embeddings.oracleai import OracleEmbeddings
from langchain_core.documents import Document

"""
# using ocigenai
embedder_params = {
    "provider": "ocigenai",
    "credential_name": "OCI_CRED",
    "url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
    "model": "cohere.embed-english-light-v3.0",
}

# using huggingface
embedder_params = {
    "provider": "huggingface", 
    "credential_name": "HF_CRED", 
    "url": "https://api-inference.huggingface.co/pipeline/feature-extraction/", 
    "model": "sentence-transformers/all-MiniLM-L6-v2", 
    "wait_for_model": "true"
}
"""

# using ONNX model loaded to Oracle Database
embedder_params = {"provider": "database", "model": "demo_model"}

# If a proxy is not required for your environment, you can omit the 'proxy' parameter below
embedder = OracleEmbeddings(conn=conn, params=embedder_params, proxy=proxy)
embed = embedder.embed_query("Hello World!")

""" verify """
print(f"Embedding generated by OracleEmbeddings: {embed}")
API 参考：OracleEmbeddings | Document

端到端演示​

请参阅我们的完整演示指南Oracle AI 向量搜索端到端演示指南，以在 Oracle AI 向量搜索的帮助下构建端到端 RAG 管道。

此页面是否有帮助？


您也可以留下详细的反馈 在 GitHub 上.