store GetQuery vectors openai js

CHATGPT Kustom dengan Openai API

Repositori ini berisi kode untuk cara menyimpan dan menanyakan data Anda sendiri menggunakan embeddings openai dan supabase menggunakan JavaScript.

Prasyarat

Sebelum Anda mulai, pastikan Anda memiliki pengaturan berikut:

• Node.js diinstal
• Akun Supabase dengan database yang dikonfigurasi
• Kunci API Openai

Instalasi

1. Klon Repositori:

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

2. Instal dependensi:

   npm install openai
   npm install @supabase/supabase-js

Konfigurasi

Ganti nilai placeholder dalam kode dengan kredensial Supabase dan OpenAI Anda yang sebenarnya:

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

Fungsi kode

STOREEMBEDDING (Judul, Tubuh, Tanah) Deskripsi: Menyimpan judul, tubuh, dan penyematan yang disediakan dalam database Supabase.

QueryemBeddings (kueri, MatchThreshold, MatchCount) Deskripsi: Queries Supabase untuk embeddings yang cocok dengan kueri, ambang batas, dan hitungan yang disediakan.

GetAnswer (Query, Posts) Deskripsi: Menghasilkan jawaban dari OpenAI GPT-3.5 berdasarkan kueri yang disediakan dan dokumen yang cocok.

Skema DB

Buat meja untuk menyimpan embeddings

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

Untuk "menghubungkan" openai ke embeddings kami, kami perlu membuat fungsi di postgres menemukan nilai pencocokan terdekat saat diberi vektor.

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

Selain itu kami dapat membuat indeks pada tabel posting kami untuk mempercepat kueri.

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