refind

refuser

Refind est un projet pour stocker mes documents personnels dans une base de données vectorielle Weavate et utiliser le module Vectorizer OpenAI et une recherche générative.

Voici un enregistrement de shell avec asciinema montrant les différentes réponses avec la même question d'entrée de:

1. La version actuelle du chatppt (en utilisant SGPT CLI)
2. La recherche générative avec Weavate contenant un exemple de document de la feuille de route enté

Commencer

Créez et fournissez votre clé API OpenAI:

 export OPENAI_APIKEY= " ... "

Mettez des documents de texte intégral avec moins de 4097 jetons. Si votre invite est de 4000 jetons, votre achèvement peut être de 97 jetons au plus.

Utilisons-le:

 # start the weaviate database
docker-compose up -d

# verify it is up and running
curl http://localhost:8080/v1/meta | jq .
docker-compose logs

# import data, DO IT ONCE
go run main.go import

# query data related to software
go run main.go query | jq .

# when done, gracefully shutdown
docker-compose down

Dans cet exemple, Weavate renvoie les entrées liées au logiciel.

Terrativement des opérations:

 # get the schema
curl -s http://localhost:8080/v1/schema | jq .

# get objects
curl -s http://localhost:8080/v1/objects | jq .

# get one class from the schema
curl -s http://localhost:8080/v1/schema/Chatbot | jq .

# delete a class
curl -s -XDELETE http://localhost:8080/v1/schema/Chatbot | jq . 

But

Le plugin de récupération de Chatgpt.

FAIRE

1. Ajoutez automatiquement plus de métadonnées dans Weavate lors de l'ingestion de documents
2. diviser automatiquement les documents plus grands que la limite de jeton Openai
3. Ajouter une chaîne de requête en tant que drapeau lors de l'exécution de la commande query
4. tests unitaires, laissez le copilot les écrire o /

Essayer Langchain

Readme.md