headless vector search
1.0.0
Fournit une recherche vectorielle / similitude pour tout site de documentation. Il est sans tête, afin que vous puissiez l'intégrer dans votre site Web existant.
docs dans votre base de données.Commencez par créer un nouveau projet Supabase: database.new.
supabase link --project-ref XXXsupabase db pushsupabase secrets set OPENAI_API_KEY=sk-xxxsupabase functions deploy --no-verify-jwtdocs via l'API dans les paramètres du tableau de bord Supabase> API Settings > Exposed schemassupabase-vector-embeddings dans votre dépôt de base de connaissances. Vous verrez les incorporations peuplées dans votre base de données après que l'action GitHub a fonctionné. vector-search dans la section Fonctions du tableau de bord. curl -i --location --request GET ' https://your-project-ref.functions.supabase.co/vector-search?query=What%27s+Supabase%3F ' const onSubmit = ( e : Event ) => {
e . preventDefault ( )
answer . value = ""
isLoading . value = true
const query = new URLSearchParams ( { query : inputRef . current ! . value } )
const projectUrl = `https://your-project-ref.functions.supabase.co`
const queryURL = ` ${ projectURL } / ${ query } `
const eventSource = new EventSource ( queryURL )
eventSource . addEventListener ( "error" , ( err ) => {
isLoading . value = false
console . error ( err )
} )
eventSource . addEventListener ( "message" , ( e : MessageEvent ) => {
isLoading . value = false
if ( e . data === "[DONE]" ) {
eventSource . close ( )
return
}
const completionResponse : CreateCompletionResponse = JSON . parse ( e . data )
const text = completionResponse . choices [ 0 ] . text
answer . value += text
} ) ;
isLoading . value = true
} Mit