store GetQuery vectors openai js

Custom-Chatgpt mit OpenAI-APIs

Dieses Repository enthält Code, um Ihre eigenen Daten mithilfe von OpenAI -Ausbettungen und Supabase mit JavaScript zu speichern und abzufragen.

Voraussetzungen

Stellen Sie vor Beginn sicher, dass Sie die folgende Einrichtung haben:

• Node.js installiert
• Supabase -Konto mit einer konfigurierten Datenbank
• OpenAI -API -Schlüssel

Installation

1. Klonen Sie das Repository:

   git clone https://github.com/muzammildafedar/custom-chatgpt-using-js.git
   cd your-repo

2. Abhängigkeiten installieren:

   npm install openai
   npm install @supabase/supabase-js

Konfiguration

Ersetzen Sie die Platzhalterwerte im Code durch Ihre tatsächlichen Supabase- und OpenAI -Anmeldeinformationen:

 const supabaseUrl = 'Your Supabase URL' ;
const supabaseKey = 'Your Supabase API Key' ;
const openaiConfig = {
    apiKey : 'Your OpenAI API Key' ,
} ; 

Codefunktionen

StoreMbedding (Titel, Körper, Einbettung) Beschreibung: Speichert den bereitgestellten Titel, die Gremium und die Einbettung in die Supabase -Datenbank.

QueryEmbeddings (Abfrage, Matchthreshold, MatchCount) Beschreibung: Abfragen Supabase für Einbettungen, die der bereitgestellten Abfrage, Schwelle und Anzahl entsprechen.

GetAnswer (Abfrage, Beiträge) Beschreibung: Generiert eine Antwort von OpenAI GPT-3.5 basierend auf der angegebenen Abfrage und den übereinstimmenden Dokumenten.

DB -Schema

Tisch erstellen, um Einbettungen zu speichern

 create table posts (
  id serial primary key,
  title text not null,
  body text not null,
  embedding vector(1536)
);

Um Openai an unsere Einbettungen zu "anschließen", müssen wir eine Funktion in Postgres erstellen. Finden Sie die nächsten Übereinstimmungswerte, wenn Sie einen Vektor gegeben haben.

 create or replace function match_posts (
    query_embedding vector(1536),
    match_threshold float,
    match_count int
  )
  returns table (
    id bigint,
    body text,
    title text,
    similarity float
  )
  language sql stable
  as $$
    select
      posts.id,
      posts.body,
      posts.title,
      1 - (posts.embedding <=> query_embedding) as similarity
    from posts
    where 1 - (posts.embedding <=> query_embedding) > match_threshold
    order by similarity desc
    limit match_count;
  $$;

Zusätzlich können wir in unserer Post -Tabelle einen Index erstellen, um die Abfrage zu beschleunigen.

 create index on posts using ivfflat (embedding vector_cosine_ops)
with
  (lists = 100);