store GetQuery vectors openai js

Custom-chatgpt con la API de Operai

Este repositorio contiene código sobre cómo almacenar y consultar sus propios datos utilizando incrustaciones de OpenAI y Supabase usando JavaScript.

Requisitos previos

Antes de comenzar, asegúrese de tener la siguiente configuración:

• Node.js instalado
• Cuenta Supabase con una base de datos configurada
• Clave de API de OpenAI

Instalación

1. Clon el repositorio:

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

2. Instalar dependencias:

   npm install openai
   npm install @supabase/supabase-js

Configuración

Reemplace los valores del marcador de posición en el código con sus credenciales reales de Supabase y OpenAI:

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

Funciones de código

Storeembedding (título, cuerpo, incrustación) Descripción: almacena el título, el cuerpo y la incrustación proporcionados en la base de datos Supabase.

QueryEmbeddings (consulta, coincidencia de combate, coincidencia) Descripción: Consultas Supabase para incrustaciones que coinciden con la consulta, umbral y recuento proporcionados.

Getanswer (consulta, publicaciones) Descripción: genera una respuesta de OpenAI GPT-3.5 basada en la consulta proporcionada y los documentos coincidentes.

Esquema de DB

Crear mesa para almacenar incrustaciones

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

Para "conectar" OpenAi a nuestros incrustaciones, necesitamos crear una función en Postgres, encuentre los valores coincidentes más cercanos cuando se les da un vector.

 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 $$
    select
      posts.id,
      posts.body,
      posts.title,
      1 - (posts.embedding <=> query_embedding) as similarity
    from posts
    where 1 - (posts.embedding <=> query_embedding) > match_threshold
    order by similarity desc
    limit match_count;
  $$;

Además, podemos crear un índice en nuestra tabla de publicaciones para acelerar la consulta.

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