Skip to main content

Google

与 Google Cloud Platform 和 AI Studio 相关的功能。

聊天模型​

Gemini 模型​

可以通过 ChatGoogleGenerativeAI 访问 Gemini 模型，例如 gemini-1.5-pro 和 gemini-2.0-flex，如果使用 VertexAI，则可以通过 ChatVertexAI 类访问。

:::提示 请参阅安装集成包的一般说明部分。 :::

npm install @langchain/google-genai @langchain/core

配置你的 API 密钥。

export GOOGLE_API_KEY=your-api-key
import { ChatGoogleGenerativeAI } from "@langchain/google-genai";

const model = new ChatGoogleGenerativeAI({
  model: "gemini-pro",
  maxOutputTokens: 2048,
});

// 也支持批量和流式调用
const res = await model.invoke([
  [
    "human",
    "为一家生产彩色袜子的公司取一个好名字？",
  ],
]);

较新的 Gemini 模型支持图像输入：

const visionModel = new ChatGoogleGenerativeAI({
  model: "gemini-2.0-flash",
  maxOutputTokens: 2048,
});
const image = fs.readFileSync("./hotdog.jpg").toString("base64");
const input2 = [
  new HumanMessage({
    content: [
      {
        type: "text",
        text: "描述以下图像。",
      },
      {
        type: "image_url",
        image_url: `data:image/png;base64,${image}`,
      },
    ],
  }),
];

const res = await visionModel.invoke(input2);
tip

点击 这里 查看 @langchain/google-genai 的具体集成文档

image_url 的值必须是 base64 编码的图像（例如：data:image/png;base64,abcd124）。

Gemma​

可以通过 AI Studio 使用 gemma-3-27b-it 模型，使用 ChatGoogle 类。 （此类是 ChatVertexAI 类的超类，支持 Vertex AI 和 AI Studio API。）

tip

由于 Gemma 是开源模型，它也可能通过其他平台提供，包括 Ollama。

npm install @langchain/google-gauth @langchain/core

配置你的 API 密钥。

export GOOGLE_API_KEY=your-api-key
import { ChatGoogle } from "@langchain/google-gauth";

const model = new ChatGoogle({
  model: "gemma-3-27b-it",
});

const res = await model.invoke([
  {
    role: "user",
    content:
      "为一家生产彩色袜子的公司取一个好名字？",
  },
]);

第三方模型​

有关通过 Vertex AI 使用这些模型的身份验证设置，请参见上文。

Anthropic 的 Claude 模型也可通过 Vertex AI 平台使用。有关启用模型访问权限和模型名称的更多信息，请参见 这里。

PaLM 模型不再受支持。

向量存储​

Vertex AI 向量搜索​

Vertex AI 向量搜索（以前称为 Vertex AI 匹配引擎）提供了业界领先的高规模、低延迟的向量数据库。这些向量数据库通常被称为向量相似匹配或近似最近邻（ANN）服务。

import { MatchingEngine } from "@langchain/community/vectorstores/googlevertexai";

Postgres 向量存储​

来自 @langchain/google-cloud-sql-pg 包的 PostgresVectorStore 模块提供了一种使用 CloudSQL for PostgresSQL 存储向量嵌入的方法。

$ yarn add @langchain/google-cloud-sql-pg

设置你的环境变量：

PROJECT_ID="your-project-id"
REGION="your-project-region"
INSTANCE_NAME="your-instance"
DB_NAME="your-database-name"
DB_USER="your-database-user"
PASSWORD="your-database-password"

通过 PostgresEngine 类创建数据库连接：

const engine: PostgresEngine = await PostgresEngine.fromInstance(
  process.env.PROJECT_ID ?? "",
  process.env.REGION ?? "",
  process.env.INSTANCE_NAME ?? "",
  process.env.DB_NAME ?? "",
  peArgs
);

初始化向量存储表：

await engine.initVectorstoreTable(
  "my_vector_store_table",
  768,
  vectorStoreArgs
);

创建一个向量存储实例：

const vectorStore = await PostgresVectorStore.initialize(
  engine,
  embeddingService,
  "my_vector_store_table",
  pvectorArgs
);

工具​

Google 搜索​

  • 按照 这些说明 设置自定义搜索引擎
  • 从上一步获取 API 密钥和自定义搜索引擎 ID，并将它们设置为环境变量 GOOGLE_API_KEY 和 GOOGLE_CSE_ID

存在一个 GoogleCustomSearch 工具来封装此 API。要导入该工具：

import { GoogleCustomSearch } from "@langchain/community/tools/google_custom_search";

我们可以轻松地将此封装作为工具（与 Agent 一起使用）。例如：

const tools = [new GoogleCustomSearch({})];
// 将此变量传递给你的 Agent。

聊天历史​

Postgres 聊天消息历史​

来自 @langchain/google-cloud-sql-pg 包的 PostgresChatMessageHistory 提供了一种使用 CloudSQL for PostgresSQL 存储消息并提供对话历史的方法。

$ yarn add @langchain/google-cloud-sql-pg

注意： 如何安装包和初始化数据库连接，请参见本页的 [Postgres 向量存储](#Postgres 向量存储) 部分。

初始化聊天历史表：

await engine.initChatHistoryTable("chat_message_table");

创建一个聊天消息历史实例：

const historyInstance = await PostgresChatMessageHistory.initialize(
  engine,
  "test",
  "chat_message_table"
);

文档加载器​

Postgres 加载器​

来自 @langchain/google-cloud-sql-pg 的 PostgresLoader 提供了一种使用 CloudSQL for PostgresSQL 加载数据作为 LangChain Document 的方法。

注意： 如何安装包和初始化数据库连接，请参见本页的 [Postgres 向量存储](#Postgres 向量存储) 部分。

创建一个加载器实例：

const documentLoaderArgs: PostgresLoaderOptions = {
  tableName: "test_table_custom",
  contentColumns: ["fruit_name", "variety"],
  metadataColumns: [
    "fruit_id",
    "quantity_in_stock",
    "price_per_unit",
    "organic",
  ],
  format: "text",
};

const documentLoaderInstance = await PostgresLoader.initialize(
  PEInstance,
  documentLoaderArgs
);

const documents = await documentLoaderInstance.load();

Was this page helpful?


You can also leave detailed feedback on GitHub.