1. 簡介
在本程式碼研究室中，您將瞭解如何建構 Living Memory Demo，這項 AI 輔助功能會追蹤對話中的「記憶」，提供個人化體驗。
應用程式會使用 Gemini 進行自然語言理解，並使用 PostgreSQL 適用的 Cloud SQL 搭配 pgvector 擴充功能，根據語意相似度儲存及擷取這些記憶。
本程式碼研究室適合對 AI 和資料庫有興趣的各程度開發人員，大約 60 分鐘即可完成。建立的資源費用應低於 $5 美元。
學習內容
- 如何設定支援
pgvector的 PostgreSQL 適用的 Cloud SQL 執行個體。 - 如何使用 Gemini 從使用者訊息中以互動方式擷取「回憶」。
- 瞭解如何在 PostgreSQL 中執行向量搜尋，擷取 AI 回覆的相關內容。
軟硬體需求
- 已啟用計費功能的 Google Cloud 專案。
- 具備指令列和 Node.js 的基本知識。
2. 事前準備
專案設定
建立 Google Cloud 專案
- 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
- 確認 Cloud 專案已啟用計費功能。瞭解如何檢查專案是否已啟用計費功能。
啟動 Cloud Shell
Cloud Shell 是在 Google Cloud 中運作的指令列環境，已預先載入必要工具。
- 點選 Google Cloud 控制台頂端的「啟用 Cloud Shell」。
- 連至 Cloud Shell 後，請驗證您的驗證：
gcloud auth list - 確認專案已設定完成：
gcloud config get project - 如果專案未如預期設定，請設定專案：
export PROJECT_ID=<YOUR_PROJECT_ID> gcloud config set project $PROJECT_ID
啟用 API
在 Cloud Shell 執行下列指令，啟用必要的 API：
gcloud services enable sqladmin.googleapis.com \
aiplatform.googleapis.com
3. 複製示範存放區
現在，請取得 Living Memory 試用的程式碼。
- 將存放區複製到 Cloud Shell 殼層環境：
git clone https://github.com/GoogleCloudPlatform/devrel-demos.git cd devrel-demos/codelabs/visual-memory-postgres-demo - 安裝依附元件：
npm install
4. 建立及設定 Cloud SQL 資料庫
在本節中，您將建立 Cloud SQL 執行個體、初始化資料庫，並設定結構定義。
- 應用程式會使用環境變數進行設定。在 Cloud Shell 終端機中執行下列程式碼區塊，為這個工作階段設定必要變數：
export REGION="us-central1" export INSTANCE_NAME="living-memory-db" export DB_HOST=127.0.0.1 export DB_PORT=5432 export DB_USER=memory_app export DB_PASS=memory_app_password export DB_NAME=living_memory export PGPASSWORD=$DB_PASS - 建立執行個體。這個步驟通常需要 5 到 10 分鐘。
gcloud sql instances create $INSTANCE_NAME \ --database-version=POSTGRES_16 \ --cpu=1 \ --memory=3840MB \ --region=$REGION \ --root-password=$DB_PASS \ --edition=ENTERPRISEvector擴充功能，並建立多個表格來支援應用程式：
users、conversations、messages：用於儲存使用者個人資料和對話記錄的標準資料表。memories：這是檢索增強生成 (RAG) 的核心表格。每個資料列代表從對話中擷取的資訊 (例如「使用者喜歡健行」)。儲存的資料包括：content：記憶內容的文字。memory_type：記憶體類型 (FACT、PREF或IMPLICIT)。embedding：包含內容語意表示法的 768 維度vector資料欄，由 Gemini 生成。
pgvector索引：系統會在embedding資料欄上建立HNSW(階層式可導覽小型世界) 索引。這對最佳化 k 最鄰近 (k-NN) 搜尋至關重要，可讓pgvector使用餘弦距離運算子 (<=>) 快速找出語意最相似的記憶內容。
- 建立資料庫
gcloud sql databases create $DB_NAME --instance=$INSTANCE_NAME - 建立應用程式使用者
gcloud sql users create $DB_USER --instance=$INSTANCE_NAME --password=$DB_PASS - 啟動 Cloud SQL 驗證 Proxy。透過 Proxy 安全地存取執行個體，不需要設定 IP 許可清單。
(cloud-sql-proxy ${GOOGLE_CLOUD_PROJECT}:us-central1:living-memory-db &) && sleep 2 && echo ""The proxy has started successfully and is ready for new connections!」的訊息。 - 套用
schema.sql即可啟用vector擴充功能，並建立必要的資料表。由於 Proxy 正在執行，您現在可以透過127.0.0.1連線至執行個體。psql -h 127.0.0.1 -U $DB_USER -d $DB_NAME < schema.sql - 確認結構定義建立成功。
psql -h 127.0.0.1 -U $DB_USER -d $DB_NAME -c "\dt"conversations、memories、messages和users資料表。List of relations Schema | Name | Type | Owner --------+---------------+-------+------------ public | conversations | table | memory_app public | memories | table | memory_app public | messages | table | memory_app public | queries_log | table | memory_app public | users | table | memory_app (5 rows)
5. 瞭解如何使用 pgvector 進行語意擷取
在本節中，您將瞭解應用程式如何在生成回覆前，擷取 AI 的相關背景資訊。下列 server.js 的程式碼片段顯示 /api/chat 端點中負責這項作業的程式碼：
// Retrieve Similar Memories for Context (Using pgvector)
const promptEmbeddingRes = await ai.models.embedContent({
model: 'gemini-embedding-001',
contents: message,
config: { outputDimensionality: 768 },
});
const promptEmbedding = promptEmbeddingRes.embeddings[0].values;
const embeddingStr = `[${promptEmbedding.join(',')}]`;
// Query DB for top 5 closest memories
const relevantMemories = await pool.query(
`SELECT id, content, memory_type, category
FROM memories
WHERE user_id = $1
ORDER BY embedding <=> $2::vector
LIMIT 5`,
[userId, embeddingStr]
);
運作方式
- 生成式 AI (嵌入)：應用程式會接收使用者的收到的訊息，並使用
gemini-embedding-001模型將文字轉換為 768 維度的向量。這個向量代表訊息的語意。 - Cloud SQL (pgvector)：應用程式會將該向量傳遞至 Cloud SQL。Cloud SQL 會使用
pgvector擴充功能提供的<=>(餘弦距離) 運算子，找出與提示語意最相似的 5 個記憶內容。 - 結果：這是檢索增強生成 (RAG) 技術。AI 會從資料庫存取特定相關記憶內容，藉此提供個人化回覆，不必載入完整記錄。
6. 瞭解記憶體擷取功能
接著，看看應用程式如何從對話中學習。以下程式碼片段來自 server.js 中的 extractMemoriesAsync 函式：
// MEMORY EXTRACTION LOGIC
async function extractMemoriesAsync(userMessage, userId, messageId) {
const extractionPrompt = `
Analyze the following user message. A memory profile is being built for this user.
Extract ANY explicit facts (Facts), preferences (Pref), or implicit behavioral traits/styles (Implicit).
Return the result as a raw JSON array of objects (NO Markdown blocks, just the JSON array).
Format: [{"content": "string fact/sentence", "type": "FACT|PREF|IMPLICIT", "category": "General|Travel|Hobby|Persona"}]
If nothing is found, return [].
Message: "${userMessage}"
`;
const result = await ai.models.generateContent({
model: 'gemini-2.5-flash',
contents: extractionPrompt
});
let rawJson = result.text.replace(/^```json/g, '').replace(/```$/g, '').trim();
let extracted;
try {
extracted = JSON.parse(rawJson);
} catch (e) {
console.warn("Could not parse extracted JSON:", rawJson);
return;
}
if (Array.isArray(extracted) && extracted.length > 0) {
// Compute embeddings and save each to the DB
for (const memory of extracted) {
const embedRes = await ai.models.embedContent({
model: 'gemini-embedding-001',
contents: memory.content,
config: { outputDimensionality: 768 },
});
const vectorData = `[${embedRes.embeddings[0].values.join(',')}]`;
await pool.query(
`INSERT INTO memories (user_id, content, memory_type, category, embedding, source_message_id)
VALUES ($1, $2, $3, $4, $5, $6)`,
[userId, memory.content, memory.type.toUpperCase(), memory.category, vectorData, messageId]
);
console.log(`Saved new memory: ${memory.content}`);
}
}
}
運作方式
- 生成式 AI (結構化輸出內容)：應用程式會使用超快速的
gemini-2.5-flash模型分析使用者訊息，並以 JSON 陣列的形式擷取結構化事實和偏好設定。 - Cloud SQL (混合式儲存空間)：生成這些新事實的嵌入後，系統會將其儲存在 Cloud SQL 中。請注意，標準關聯式資料 (使用者 ID、文字內容、類別) 會與高維度向量資料一起儲存在單一資料列中。
- 結果：應用程式會運用 Gemini 的分析能力和 Cloud SQL 的儲存功能，即時建構可自動更新的記憶體設定檔。
7. 執行即時通訊應用程式
- 在資料庫中加入幾個範例使用者
npm run seed
- 然後執行伺服器
node server.js - 在 Cloud Shell 中，按一下終端機工具列右上方的「Web Preview」(網頁預覽)，然後選取「Change Port」(變更通訊埠)。輸入通訊埠編號
3000，然後按一下「變更並預覽」。
與助理互動
應用程式在瀏覽器中開啟後，您會看到 Living Memory 的即時通訊介面。右側的 AI Cortex 資料視覺化工具會以向量空間中的節點顯示記憶內容，並依類型 (事實、偏好、隱含特徵) 標示顏色。記憶體節點上的文字可能會很小，具體取決於螢幕解析度；如要放大檢視，請使用滑鼠或觸控板縮放及平移畫面。
查詢現有回憶
您先前執行的 seed 指令碼已建立兩個範例使用者，並預先填入一些回憶內容。
- 在左上方的使用者下拉式選單中選取使用者。
- 使用其中一個快速對話按鈕，或在對話輸入框中輸入
Give me restaurant recommendations in New York City，然後按下「傳送」。 - 助理回覆後，你可以點選助理的訊息，查看助理使用了哪些記憶內容。這些字詞會以綠色醒目顯示，你可以縮放畫面，查看這些字詞如何協助生成回覆。
建立新使用者
現在，讓我們建立新使用者。
- 按一下使用者下拉式選單旁的「+」按鈕，即可啟動新的即時通訊工作階段。
- 使用系統產生的名稱和說明，或編輯這些內容來描述自己。
- 按一下「建立」，應用程式就會開始擷取回憶。大約 30 秒後，右側的視覺化工具中應該會顯示新節點。這些是 Gemini 從訊息中擷取並儲存在 Cloud SQL 資料庫的事實和偏好設定。
- 提出後續問題 (例如
What food do I like?)，看看 Google 助理是否會運用新近記憶內容進行對話。
8. 清理
如要避免系統持續向您的 Google Cloud 帳戶收取本程式碼研究室所用資源的費用，請刪除您建立的資源。
- 刪除 Cloud SQL 執行個體：
gcloud sql instances delete $INSTANCE_NAME --quiet - 移除示範存放區：
rm -rf ~/devrel-demos
9. 恭喜
您已成功建構及部署「Living Memory」AI 助理！
目前所學內容
- 如何使用 Cloud SQL pgvector 進行語意搜尋。
- 如何使用 Gemini 動態擷取記憶體。
後續步驟
- 請參閱 Cloud SQL pgvector 說明文件。
- 進一步瞭解 Gemini API 功能。
- 深入瞭解 Cloud SQL 驗證 Proxy。
- 試著在
server.js中自訂extractionPrompt，擷取不同類型的資料！
盡情使用 Living Memory 打造回憶！