vector cookbook

Livre de cuisine vectorielle à échelle de temps

Une collection de recettes et d'échantillons de kits de démarrage d'application à construire avec LLMS utilisant PostgreSQL et Vector de temps.

En savoir plus sur le vecteur de temps de temps, PostgreSQL ++ pour les applications AI: Timescale.com/ai

Inscrivez-vous à une base de données Cloud PostgreSQL gratuite à utiliser pour travailler à travers les exemples de ce dépôt. Vous obtiendrez 90 jours gratuitement en vous inscrivant avec le lien ci-dessus.

Ressources vectorielles à échelle de temps

Le vecteur de temps de temps vous permet d'alimenter les applications AI à l'aide de PostgreSQL pour stocker les données vectorielles, relationnelles et chronologiques. Il améliore PGVector avec une recherche plus rapide, un rappel plus élevé et un filtrage temporel plus efficace.

• Présentation et références de performance
• Intégration de Langchain Vector Langchain à échelle de temps
• Intégration du vecteur de temps Llamaindex
• Bibliothèque client de Vector Python à échelle de temps
• Tutoriel Vector Python à échelle de temps

Exemples d'applications

• TSV Time Machine: discutez avec Git l'histoire de tout dépôt. Stack: Llamaindex, Streamlit, Timescale Vector (PostgreSQL), Python. Démo en direct

Ressources PGVector

• Créer, stocker et interroger les incorporations Openai avec PostgreSQL et PGVector
• Index des voisins les plus proches: quels sont les index ivfflat dans PGVector et comment fonctionnent-ils
• Introduction à Langchain pour les applications LLM utilisant PGVector comme Vectorstore

Remarque: Si vous devez configurer Python, Pyenv et Jupyter sur votre Mac, suivez ce tutoriel pratique.