store GetQuery vectors openai js

Chatgpt personnalisé avec les API Openai

Ce référentiel contient du code pour stocker et interroger vos propres données à l'aide d'Openai Embeddings et Supabase à l'aide de JavaScript.

Condition préalable

Avant de commencer, assurez-vous d'avoir la configuration suivante:

• Node.js installé
• Compte Supabase avec une base de données configurée
• Clé API Openai

Installation

1. Clone le référentiel:

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

2. Installez les dépendances:

   npm install openai
   npm install @supabase/supabase-js

Configuration

Remplacez les valeurs d'espace réservé dans le code par vos informations d'identification réelles Supabase et Openai:

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

Fonctions de code

StoreEmbedding (titre, corps, intégration) Description: stocke le titre fourni, le corps et l'incorporation dans la base de données Supabase.

QueryEmbeddings (Query, MatchThreshold, MatchCount) Description: Requête Supabase pour les intégres qui correspondent à la requête, à un seuil et au comptage fournis.

Getanswer (requête, publications) Description: génère une réponse à partir d'Openai GPT-3.5 en fonction de la requête fournie et des documents correspondants.

Schéma de base de données

Créer une table pour stocker des intégres

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

Afin de «connecter» OpenIA à nos intégres, nous devons créer une fonction dans Postgres, trouvez les valeurs de correspondance les plus proches lorsqu'ils sont donnés d'un vecteur.

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

De plus, nous pouvons créer un index sur notre table de messages pour accélérer la requête.

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