程式碼研究室 - 使用 Firestore、Vector Search、Langchain 和 Gemini 建構瑜珈姿勢推薦應用程式 (Python 版本)

1. 簡介

在本程式碼研究室中，您將建構應用程式，使用向量搜尋功能推薦瑜珈姿勢。

您將透過本程式碼研究室，按照以下步驟操作：

1. 使用現有的 Hugging Face 資料集 (JSON 格式) 中的瑜珈姿勢。
2. 透過額外的欄位說明強化資料集，使用 Gemini 為每個姿勢產生說明。
3. 使用 Langchain 建立文件，並使用 Firestore Langchain 整合功能在 Firestore 中建立集合和嵌入資料。
4. 在 Firestore 中建立複合式索引，以便進行向量搜尋。
5. 在 Flask 應用程式中使用向量搜尋，將所有內容整合在一起，如下所示：

執行步驟

• 設計、建構及部署採用 Vector Search 推薦瑜伽姿勢的網頁應用程式。

課程內容

• 如何使用 Gemini 產生文字內容，並在本程式碼研究室的內容中產生瑜珈姿勢的說明
• 如何使用 Firestore 專用 Langchain 文件載入器，將 Hugging Face 的強化資料集記錄載入至 Firestore，並加入向量嵌入
• 如何使用 Langchain Vector Store for Firestore，根據自然語言查詢搜尋資料
• 如何使用 Google Cloud Text-to-Speech API 產生音訊內容

軟硬體需求

• Chrome 網路瀏覽器
• Gmail 帳戶
• 已啟用計費功能的 Cloud 專案

本程式碼研究室專為各級別 (包括初學者) 的開發人員設計，範例應用程式使用 Python 程式語言。不過，您不必具備 Python 知識，也能瞭解本文介紹的概念。

2. 事前準備

建立專案

1. 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
2. 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。
3. 您將使用 Cloud Shell，這是在 Google Cloud 中執行的指令列環境，並預先載入 bq。按一下 Google Cloud 控制台頂端的「啟用 Cloud Shell」。

4. 連線至 Cloud Shell 後，請使用下列指令確認您已通過驗證，且專案已設為您的專案 ID：

gcloud auth list

5. 在 Cloud Shell 中執行下列指令，確認 gcloud 指令知道您的專案。

gcloud config list project

6. 如果未設定專案，請使用下列指令進行設定：

gcloud config set project <YOUR_PROJECT_ID>

7. 請透過下列指令啟用必要的 API。這可能需要幾分鐘的時間，請耐心等候。

gcloud services enable firestore.googleapis.com \
                       compute.googleapis.com \
                       cloudresourcemanager.googleapis.com \
                       servicenetworking.googleapis.com \
                       run.googleapis.com \
                       cloudbuild.googleapis.com \
                       cloudfunctions.googleapis.com \
                       aiplatform.googleapis.com \
                       texttospeech.googleapis.com

指令執行成功後，您應該會看到類似以下的訊息：

Operation "operations/..." finished successfully.

您可以透過主控台搜尋每項產品，或使用這個連結，來取代 gcloud 指令。

如果遺漏任何 API，您隨時可以在實作期間啟用。

如要瞭解 gcloud 指令和用法，請參閱說明文件。

複製存放區並設定環境

接下來，我們要複製範例存放區，以便在程式碼研究室的後續步驟中參照。假設您目前在 Cloud Shell 中，請從主目錄執行下列指令：

git clone https://github.com/rominirani/yoga-poses-recommender-python

如要啟動編輯器，請按一下 Cloud Shell 視窗工具列中的「Open Editor」(開啟編輯器)。按一下左上角的選單列，然後依序選取「檔案」→「開啟資料夾」，如下所示：

選取 yoga-poses-recommender-python 資料夾後，您應該會看到開啟的資料夾，其中包含下列檔案，如下所示：

我們現在需要設定要使用的環境變數。點選 config.template.yaml 檔案，您應該會看到下列內容：

project_id: your-project-id
location: us-central1
gemini_model_name: gemini-1.5-flash-002
embedding_model_name: text-embedding-004
image_generation_model_name: imagen-3.0-fast-generate-002
database: (default)
collection: poses
test_collection: test-poses
top_k: "3"

請根據建立 Google Cloud 專案和 Firestore 資料庫區域時選取的值，更新 project_id 和 location 的值。理想情況下，Google Cloud 專案和 Firestore 資料庫的 location 值應相同，例如 us-central1。

為了完成這個程式碼研究室，我們將使用預先設定的值 (當然，您需要根據自己的設定來設定 project_id 和 location)。

請將這個檔案儲存為 config.yaml，並儲存在 config.template.yaml 檔案所在的資料夾中。

最後一個步驟是建立 Python 環境，我們會在本機使用這個環境，並設定所有 Python 依附元件。請查看包含詳細資料的 pyproject.toml 檔案，內容如下所示：

dependencies = [
    "datasets>=3.2.0",
    "flask>=3.1.0",
    "google-cloud-aiplatform>=1.78.0",
    "google-cloud-texttospeech>=2.24.0",
    "langchain-community>=0.3.15",
    "langchain-core>=0.3.31",
    "langchain-google-community>=2.0.4",
    "langchain-google-firestore>=0.5.0",
    "langchain-google-vertexai>=2.0.7",
    "pydantic-settings>=2.7.1",
    "pyyaml>=6.0.2",
    "tenacity>=9.0.0",
]

這些依附元件已在 requirements.txt. 中鎖定版本。總而言之，我們需要建立虛擬 Python 環境，並在其中安裝 requirements.txt 中的 Python 套件依附元件。如要執行這項操作，請前往 Cloud Shell IDE 中的 Command Palette (Ctrl + Shift + P)，然後輸入 Python: Create Environment。請按照下列步驟選取 Virtual Environment(venv)、Python 3.x interpreter 和 requirements.txt 檔案。

建立環境後，我們需要使用下列指令啟用所建立的環境

source .venv/bin/activate

控制台中應會顯示 (.venv)。例如：-> (.venv) yourusername@cloudshell:

太好了！一切就緒後，我們就可以繼續設定 Firestore 資料庫。

3. 設定 Firestore

Cloud Firestore 是全代管的無伺服器文件資料庫，我們會將其用作應用程式資料的後端。Cloud Firestore 中的資料會以文件的集合結構呈現。

Firestore 資料庫初始化

前往 Cloud 控制台的 Firestore 頁面。

如果您先前未在專案中初始化 Firestore 資料庫，請按一下 Create Database 建立 default 資料庫。建立資料庫時，請使用下列值：

• Firestore 模式：Native.
• 位置：使用預設位置設定。
• 如要使用安全性規則，請選擇 Test rules。
• 建立資料庫。

在下一節中，我們將在預設的 Firestore 資料庫中建立名為 poses 的集合。這個集合會儲存範例資料 (文件) 或瑜珈姿勢資訊，以便我們在應用程式中使用。

請注意，如果您使用 Firebase，這就是您熟悉且喜愛的 Firestore。事實上，您可以透過 Firebase 主控台存取相同的資料庫執行個體！

這就完成了 Firestore 資料庫設定的部分。

4. 準備瑜珈姿勢資料集

我們的第一個任務是準備要用於應用程式的瑜珈姿勢資料集。我們將從現有的 Hugging Face 資料集開始，然後加入額外資訊來強化資料集。

請查看 Hugging Face 瑜珈姿勢資料集。請注意，雖然本程式碼研究室使用其中一個資料集，但您其實可以使用任何其他資料集，並按照相同的技術強化資料集。

如果我們前往 Files and versions 區段，可以取得所有姿勢的 JSON 資料檔案。

我們已下載 yoga_poses.json，並將該檔案提供給您。這個檔案的名稱為 yoga_poses_alldata.json，位於 /data 資料夾中。

我們將示範產生說明的整個程序，並在少數記錄的小型子集上產生嵌入資料，讓您熟悉這個程序。

前往 Cloud Shell 編輯器中的 data/yoga_poses.json 檔案，查看 JSON 物件清單，其中每個 JSON 物件都代表一個瑜珈姿勢。我們總共有 3 筆記錄，以下是其中一個記錄的範例：

{
   "name": "Big Toe Pose",
   "sanskrit_name": "Padangusthasana",
   "photo_url": "https://pocketyoga.com/assets/images/full/ForwardBendBigToe.png",
   "expertise_level": "Beginner",
   "pose_type": ["Standing", "Forward Bend"]
 }

這正是介紹 Gemini 的絕佳時機，我們將說明如何使用預設模型為其產生 description 欄位。

在 Cloud Shell 編輯器中，前往 generate-descriptions.py 檔案。此檔案的內容如下所示：

import json
import time
import logging
import vertexai
from langchain_google_vertexai import VertexAI
from tenacity import retry, stop_after_attempt, wait_exponential
from settings import get_settings

settings = get_settings()
logging.basicConfig(
    level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s"
)
# Initialize Vertex AI SDK
vertexai.init(project=settings.project_id, location=settings.location)
logging.info("Done Initializing Vertex AI SDK")


@retry(
    stop=stop_after_attempt(5),
    wait=wait_exponential(multiplier=1, min=4, max=10),
)
def generate_description(pose_name, sanskrit_name, expertise_level, pose_types):
    """Generates a description for a yoga pose using the Gemini API."""

    prompt = f"""
    Generate a concise description (max 50 words) for the yoga pose: {pose_name}
    Also known as: {sanskrit_name}
    Expertise Level: {expertise_level}
    Pose Type: {", ".join(pose_types)}

    Include key benefits and any important alignment cues.
    """
    try:
        model = VertexAI(model_name=settings.gemini_model_name, verbose=True)
        response = model.invoke(prompt)
        return response
    except Exception as e:
        logging.info(f"Error generating description for {pose_name}: {e}")
        return ""


def add_descriptions_to_json(input_file, output_file):
    """Loads JSON data, adds descriptions, and saves the updated data."""

    with open(input_file, "r") as f:
        yoga_poses = json.load(f)

    total_poses = len(yoga_poses)
    processed_count = 0

    for pose in yoga_poses:
        if pose["name"] != " Pose":
            start_time = time.time()  # Record start time
            pose["description"] = generate_description(
                pose["name"],
                pose["sanskrit_name"],
                pose["expertise_level"],
                pose["pose_type"],
            )
            end_time = time.time()  # Record end time

            processed_count += 1
            end_time = time.time()  # Record end time
            time_taken = end_time - start_time
            logging.info(
                f"Processed: {processed_count}/{total_poses} - {pose['name']} ({time_taken:.2f} seconds)"
            )

        else:
            pose["description"] = ""
            processed_count += 1
            logging.info(
                f"Processed: {processed_count}/{total_poses} - {pose['name']} ({time_taken:.2f} seconds)"
            )
        # Adding a delay to avoid rate limit
        time.sleep(30)

    with open(output_file, "w") as f:
        json.dump(yoga_poses, f, indent=2)


def main():
    # File paths
    input_file = "./data/yoga_poses.json"
    output_file = "./data/yoga_poses_with_descriptions.json"

    # Add descriptions and save the updated JSON
    add_descriptions_to_json(input_file, output_file)


if __name__ == "__main__":
    main()

這個應用程式會在每個瑜珈姿勢 JSON 記錄中新增 description 欄位。系統會透過呼叫 Gemini 模型來取得說明，並在該模型中提供必要的提示。欄位會新增至 JSON 檔案，新檔案會寫入 data/yoga_poses_with_descriptions.json 檔案。

以下是主要步驟：

1. 在 main() 函式中，您會發現它會叫用 add_descriptions_to_json 函式，並提供預期的輸入檔案和輸出檔案。
2. add_descriptions_to_json 函式會針對每個 JSON 記錄 (即 Yoga 貼文資訊) 執行下列操作：
3. 它會擷取 pose_name、sanskrit_name、expertise_level 和 pose_types。
4. 這項函式會叫用 generate_description 函式，藉此建構提示，然後叫用 Langchain VertexAI 模型類別來取得回應文字。
5. 然後將此回應文字新增至 JSON 物件。
6. 然後將更新後的 JSON 物件清單寫入目的檔案。

讓我們執行這個應用程式。啟動新的終端機視窗 (Ctrl + Shift + C)，然後輸入下列指令：

python generate-descriptions.py

如果系統要求你提供任何授權，請提供相關資訊。

您會發現應用程式開始執行。我們已在記錄之間加入 30 秒的延遲時間，以免新 Google Cloud 帳戶出現任何速率限制配額，因此請耐心等候。

以下是進行中的執行範例：

所有 3 筆記錄都已透過 Gemini 呼叫進行強化後，系統就會產生檔案 data/yoga_poses_with_description.json。你可以查看這個。

我們現在已準備好資料檔案，接下來要瞭解如何使用該檔案填入 Firestore 資料庫，以及如何產生嵌入項目。

5. 將資料匯入 Firestore 並產生向量嵌入

我們有 data/yoga_poses_with_description.json 檔案，現在需要用它填入 Firestore 資料庫，並為每個記錄產生向量嵌入。稍後我們會使用向量嵌入，針對以自然語言提供的使用者查詢執行相似度搜尋。

我們將使用 Langchain Firestore 元件實作上述程序。

相關步驟如下：

1. 我們會將 JSON 物件清單轉換為 Langchain Document 物件清單。每份文件都會有兩個屬性：page_content 和 metadata。中繼資料物件會包含整個 JSON 物件，其中包含 name、description、sanskrit_name 等屬性。page_content 會是字串文字，也就是幾個欄位的串連。
2. 取得 Document 物件的清單後，我們會使用 FirestoreVectorStore Langchain 類別，特別是 from_documents 方法，搭配這個文件清單、集合名稱 (我們使用指向 test-poses 的 TEST_COLLECTION 變數)、Vertex AI 嵌入類別和 Firestore 連線詳細資料 (PROJECT_ID 和 DATABASE 名稱)。這麼做會建立集合，並為每個屬性產生 embedding 欄位。

以下是 import-data.py 的程式碼 (為求簡潔，部分程式碼已截斷)：

... 

def create_langchain_documents(poses):
   """Creates a list of Langchain Documents from a list of poses."""
   documents = []
   for pose in poses:
       # Convert the pose to a string representation for page_content
       page_content = (
           f"name: {pose.get('name', '')}\n"
           f"description: {pose.get('description', '')}\n"
           f"sanskrit_name: {pose.get('sanskrit_name', '')}\n"
           f"expertise_level: {pose.get('expertise_level', 'N/A')}\n"
           f"pose_type: {pose.get('pose_type', 'N/A')}\n"
       ).strip()
       # The metadata will be the whole pose
       metadata = pose

       document = Document(page_content=page_content, metadata=metadata)
       documents.append(document)
   logging.info(f"Created {len(documents)} Langchain documents.")
   return documents

def main():
    all_poses = load_yoga_poses_data_from_local_file(
        "./data/yoga_poses_with_descriptions.json"
    )
    documents = create_langchain_documents(all_poses)
    logging.info(
        f"Successfully created langchain documents. Total documents: {len(documents)}"
    )

    embedding = VertexAIEmbeddings(
        model_name=settings.embedding_model_name,
        project=settings.project_id,
        location=settings.location,
    )

    client = firestore.Client(project=settings.project_id, database=settings.database)

    vector_store = FirestoreVectorStore.from_documents(
        client=client,
        collection=settings.test_collection,
        documents=documents,
        embedding=embedding,
    )
    logging.info("Added documents to the vector store.")


if __name__ == "__main__":
    main()

讓我們執行這個應用程式。啟動新的終端機視窗 (Ctrl + Shift + C)，然後輸入下列指令：

python import-data.py

如果一切順利，您應該會看到類似以下的訊息：

2025-01-21 14:50:06,479 - INFO - Added documents to the vector store.

如要確認記錄是否已成功插入，且已產生嵌入項目，請前往 Cloud 控制台的 Firestore 頁面。

點選 (預設) 資料庫，應該會顯示 test-poses 集合，以及該集合下方的多個文件。每份文件代表一個瑜珈姿勢。

點選任一文件即可查看欄位。除了我們匯入的欄位，您也會看到 embedding 欄位，這是透過我們使用的 Langchain VertexAIEmbeddings 類別自動產生的向量欄位，其中提供 text-embedding-004 Vertex AI 嵌入模型。

現已將記錄上傳至 Firestore 資料庫，並完成嵌入，因此我們可以繼續下一個步驟，瞭解如何在 Firestore 中執行向量相似度搜尋。

6. 將完整的瑜珈姿勢匯入 Firestore 資料庫集合

我們現在將建立 poses 集合，這是 160 個瑜珈姿勢的完整清單，我們已為此產生資料庫匯入檔案，供您直接匯入。這樣做可節省研究室的時間。產生包含說明和嵌入資料的資料庫的程序，與前面一節所述相同。

請按照下列步驟匯入資料庫：

1. 請使用下方的 gsutil 指令，在專案中建立值區。請將下方指令中的 <PROJECT_ID> 變數替換為您的 Google Cloud 專案 ID。

gsutil mb -l us-central1 gs://<PROJECT_ID>-my-bucket

2. 值區建立完成後，我們需要將準備好的資料庫匯出內容複製到這個值區，才能將資料匯入 Firebase 資料庫。請使用下列指令：

gsutil cp -r gs://yoga-database-firestore-export-bucket/2025-01-27T05:11:02_62615  gs://<PROJECT_ID>-my-bucket

有了要匯入的資料，我們可以進行最後一個步驟，將資料匯入已建立的 Firebase 資料庫 (default)。

3. 請使用下列 gcloud 指令：

gcloud firestore import gs://<PROJECT_ID>-my-bucket/2025-01-27T05:11:02_62615

匯入作業需要幾秒鐘的時間，完成後，您可以前往 https://console.cloud.google.com/firestore/databases 選取 default 資料庫和 poses 集合，如以下所示，驗證 Firestore 資料庫和集合：

這樣就完成了在應用程式中使用 Firestore 集合的工作。

7. 在 Firestore 中執行向量相似度搜尋

為了執行向量相似度搜尋，我們會接收使用者的查詢。這項查詢的範例為 "Suggest me some exercises to relieve back pain"。

請查看 search-data.py 檔案。我們要查看的重點函式是搜尋函式，如下所示。大致來說，這個類別會建立嵌入類別，用於為使用者查詢產生嵌入內容。然後使用 FirestoreVectorStore 類別叫用其 similarity_search 函式。

def search(query: str):
    """Executes Firestore Vector Similarity Search"""
    embedding = VertexAIEmbeddings(
        model_name=settings.embedding_model_name,
        project=settings.project_id,
        location=settings.location,
    )

    client = firestore.Client(project=settings.project_id, database=settings.database)

    vector_store = FirestoreVectorStore(
        client=client, collection=settings.collection, embedding_service=embedding
    )

    logging.info(f"Now executing query: {query}")
    results: list[Document] = vector_store.similarity_search(
        query=query, k=int(settings.top_k), include_metadata=True
    )
    for result in results:
        print(result.page_content)

在您執行這項操作並使用幾個查詢範例之前，請先產生 Firestore 複合式索引，這是搜尋查詢成功執行所需的項目。如果您在未建立索引的情況下執行應用程式，系統會顯示錯誤訊息，指出您必須先建立索引，並顯示先建立索引的指令。

建立複合索引的 gcloud 指令如下所示：

gcloud firestore indexes composite create --project=<YOUR_PROJECT_ID> --collection-group=poses --query-scope=COLLECTION --field-config=vector-config='{"dimension":"768","flat": "{}"}',field-path=embedding

資料庫中有超過 150 筆記錄，因此索引需要幾分鐘才能完成。完成後，您可以使用下列指令查看索引：

gcloud firestore indexes composite list

您應該會在清單中看到剛建立的索引。

請試試下列指令：

python search-data.py --prompt "Recommend me some exercises for back pain relief"

系統應該會提供一些建議。以下是執行範例：

2025-01-21 15:48:51,282 - INFO - Now executing query: Recommend me some exercises for back pain relief
name: Supine Spinal Twist Pose
description: A gentle supine twist (Supta Matsyendrasana), great for beginners.  Releases spinal tension, improves digestion, and calms the nervous system.  Keep shoulders flat on the floor and lengthen the spine.

sanskrit_name: Supta Matsyendrasana
expertise_level: Beginner
pose_type: ['Supine', 'Twist']
name: Cow Pose
description: Cow Pose (Bitilasana) is a gentle backbend, stretching the chest, shoulders, and abdomen.  Maintain a neutral spine, lengthen the tailbone, and avoid hyperextension.  Benefits include improved posture and stress relief.

sanskrit_name: Bitilasana
expertise_level: Beginner
pose_type: ['Arm Leg Support', 'Back Bend']
name: Locust I Pose
description: Locust Pose I (Shalabhasana A) strengthens the back, glutes, and shoulders.  Lie prone, lift chest and legs simultaneously, engaging back muscles.  Keep hips grounded and gaze slightly forward.

sanskrit_name: Shalabhasana A
expertise_level: Intermediate
pose_type: ['Prone', 'Back Bend']

完成後，您就會瞭解如何使用 Firestore 向量資料庫上傳記錄、產生嵌入項目，以及執行向量相似度搜尋。我們現在可以建立網路應用程式，將向量搜尋整合至網路前端。

8. 網頁應用程式

Python Flask 網頁應用程式位於 main.py 檔案中，前端 HTML 檔案則位於 templates/index.html.

建議您查看這兩個檔案。首先，請使用包含 /search 處理常式的 main.py 檔案，該處理常式會接收從前端 HTML index.html 檔案傳遞的提示。接著會叫用搜尋方法，執行我們在上一節中討論的向量相似度搜尋。

接著，系統會將回應傳回至 index.html，並附上建議清單。index.html 隨後會以不同資訊卡的形式顯示建議。

在本機執行應用程式

啟動新的終端機視窗 (Ctrl + Shift + C) 或任何現有的終端機視窗，然後輸入以下指令：

python main.py

執行範例如下所示：

 * Serving Flask app 'main'
 * Debug mode: on
2025-01-21 16:02:37,473 - INFO - WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.
 * Running on all addresses (0.0.0.0)
 * Running on http://127.0.0.1:8080
 * Running on http://10.88.0.4:8080
2025-01-21 16:02:37,473 - INFO - Press CTRL+C to quit
2025-01-21 16:02:37,474 - INFO -  * Restarting with stat
2025-01-21 16:02:41,462 - WARNING -  * Debugger is active!
2025-01-21 16:02:41,484 - INFO -  * Debugger PIN: 440-653-555

啟動應用程式後，按一下下方的「網頁預覽」按鈕，即可前往應用程式的首頁網址：

畫面上應會顯示服務的 index.html 檔案，如下所示：

提供範例查詢 (例如：Provide me some exercises for back pain relief)，然後按一下 Search 按鈕。這應該會從資料庫擷取部分推薦內容。你也會看到 Play Audio 按鈕，這個按鈕會根據說明產生音訊串流，讓你直接收聽。

9. (選用) 部署至 Google Cloud Run

最後一個步驟是將這個應用程式部署至 Google Cloud Run。下方顯示的是部署指令，請務必在部署前，將變數的值 (<<YOUR_PROJECT_ID>>) 替換為專屬於您專案的值。這些值可從 config.yaml 檔案擷取。

gcloud run deploy yogaposes --source . \
  --port=8080 \
  --allow-unauthenticated \
  --region=us-central1 \
  --platform=managed  \
  --project=<<YOUR_PROJECT_ID>> \
  --env-vars-file=config.yaml

請在應用程式的根目錄中執行上述指令。系統可能也會要求您啟用 Google Cloud API，請確認您已同意各種權限。

部署程序大約需要 5 到 7 分鐘才能完成，請耐心等候。

成功部署後，部署輸出內容會提供 Cloud Run 服務網址。格式如下：

Service URL: https://yogaposes-<<UNIQUEID>.us-central1.run.app

造訪該公開網址，您應該會看到相同的網頁應用程式已成功部署及執行。

您也可以前往 Google Cloud 控制台的 Cloud Run，查看 Cloud Run 中的服務清單。yogaposes 服務應是其中一個 (如果不是唯一) 服務。

按一下特定服務名稱 (在本例中為 yogaposes)，即可查看服務的詳細資料，例如網址、設定、記錄等。

這樣就完成了在 Cloud Run 上開發及部署瑜珈姿勢推薦器網頁應用程式的作業。

10. 恭喜

恭喜！您已成功建構應用程式，可將資料集上傳至 Firestore、產生嵌入項目，並根據使用者查詢執行向量相似度搜尋。

參考文件

• Firestore
• Firestore - 使用向量嵌入搜尋
• 在 Firestore 中管理索引
• Cloud Run
• 適用於 Firestore 的 Langchain 文件載入器
• Firestore 適用的 Langchain Vector Store