Oracle AI 向量搜索生成集成 - 以编程方式使用文档

Oracle AI 数据库支持 AI 工作负载，您可以在其中按 **含义** （语义）而不仅仅是关键词来查询数据。它将 **非结构化内容的语义搜索** 与 **业务数据的关联过滤** 结合在单一系统中——因此您可以构建检索工作流（如 RAG），而无需引入单独的向量数据库并跨多个平台分散数据。

本指南演示如何使用 OracleEmbeddings.

> **为什么要在（或通过）Oracle 中生成嵌入？** > 您可以将数据治理和运维保障（安全、事务、可用性）贴近您的 AI 工作流——同时选择适合您环境的嵌入提供商模型。

前提条件

安装 langchain-oracledb。 python-oracledb 驱动程序将作为依赖项自动安装。

pip install -qU langchain-oracledb

uv add langchain-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“精简”模式运行，该模式直接连接到 Oracle 数据库。此模式不需要 Oracle Client 库。但是，当 python-oracledb 使用它们时，某些附加功能可用。当使用 Oracle Client 库时，python-oracledb 被称为处于“厚”模式。两种模式都具有支持 Python 数据库 API v2.0 规范的完整功能。请参阅以下指南其中讨论了每种模式支持的功能。如果无法使用精简模式，您可能需要切换到厚模式。

# Please update with your username, password, hostname, port and service_name
username = "<username>"
password = "<password>"
dsn = "<hostname>:<port>/<service_name>"

connection = oracledb.connect(user=username, password=password, dsn=dsn)
print("Connection successful!")

对于嵌入生成，用户可以使用多种提供商选项，包括在数据库内生成嵌入以及第三方服务（如 OcigenAI、Hugging Face 和 OpenAI）。选择第三方提供商的用户必须建立包含所需身份验证信息的凭据。或者，如果用户选择“database”作为提供商，则需要将 ONNX 模型加载到 Oracle 数据库中以便于生成嵌入。

加载 ONNX 模型

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

***重要*** ：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商来生成嵌入，则不需要将 ONNX 模型上传到 Oracle 数据库。

在 Oracle 内直接使用 ONNX 模型的一个显著优势是，它通过消除向外部方传输数据的需求来增强安全性和性能。此外，这种方法避免了通常与网络或 REST API 调用相关的延迟。

以下是上传 ONNX 模型到 Oracle 数据库的示例代码：

from langchain_oracledb.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)

创建凭据

当选择第三方提供商生成嵌入时，用户需要建立凭据以安全地访问提供商的端点。

***Important:*** 选择“database”提供商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商，则必须创建特定于所选提供商的凭据。

以下是说明性示例：

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 Vector Search 提供多种生成嵌入的方法，可使用本地托管的 ONNX 模型或第三方 API。如需获取配置这些替代方案的详细说明，请参阅 Oracle AI Vector Search 指南.

***Note:*** 用户可能需要配置代理才能使用第三方嵌入生成提供商，但使用 ONNX 模型的 'database' 提供商除外。

# 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_oracledb.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}")

端到端演示

请参阅我们的完整演示指南 Oracle AI Vector Search 端到端演示指南了解如何借助 Oracle AI Vector Search 构建端到端 RAG 管道。