headless vector search

ヘッドレスベクトル検索

ドキュメントサイトのベクトル/類似性検索を提供します。ヘッドレスなので、既存のWebサイトに統合できます。

それがどのように機能するか：

• このレポは、データベース内の新しいdocsスキーマを初期化します。
• 添付のGitHubアクションは、埋め込みとしてマークダウンドキュメントをデータベースに摂取します。
• このリポジトリは、ユーザークエリを処理するエッジ関数を提供し、CHATGPTのような応答に変換します。

技術スタック：

• Supabase：データベースとエッジ関数。
• Openai：埋め込みと完成。
• GitHubアクション：マークダウンドキュメントを摂取するため。

設定

新しいSupabaseプロジェクトを作成することから始めます：database.new。

1. このレポをクローンします
2. リモートプロジェクトにリポジトリをリンクします： supabase link --project-ref XXX
3. データベースの移行を適用します： supabase db push
4. openaiキーを秘密として設定： supabase secrets set OPENAI_API_KEY=sk-xxx
5. エッジ関数を展開： supabase functions deploy --no-verify-jwt
6. Supabaseダッシュボードの設定でAPIを介してdocsスキーマを公開> API Settings > Exposed schemas
7. supabase-vector-embeddings githubアクションをナレッジベースリポジトリにセットアップします。 GitHubアクションが実行された後、データベースに埋め込まれた埋め込みが表示されます。

使用法

1. ダッシュボードの関数セクションでvector-searchエッジ関数のURLを見つけます。
2. アプリケーション内では、ユーザークエリをこのエンドポイントに送信して、OpenAIからストリーミングされた応答を受信できます。

Curlの例を参照してください

 curl -i --location --request GET ' https://your-project-ref.functions.supabase.co/vector-search?query=What%27s+Supabase%3F '

EventSourceの例を参照してください

 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
} 

ショーケース

• docs.supabase.com -CMD+Kを使用してアクセスします。

ライセンス

mit