weaviate_cohere_vector_embedding

이 프로젝트는 Cohere를 사용하여 사용자 정의 벡터를 생성하는 Weaviate 데이터베이스 검색 탐색을 목표로합니다. 아래에 나열된 단계를 사용하여 수행하는 몇 가지 검색이 있습니다.

• 헝겊 단일 프롬프트
• 벡터 검색

다음이 필요합니다.

• weaviate API 키 및 URL
• 코셔 API 키

1. 그런 다음 가상 ENG 설치 : pip install -r requirements.txt
2. .env 파일을 만들고 크레딧을 저장하십시오
3. 실행하여 DB 연결을 테스트하십시오 : python database/open_db_connection
4. python database/create_embeddings 데이터 세트에 대한 임베딩을 만듭니다

• 이렇게하면 루트 디렉토리 안에 '스크래치'라는 새 디렉토리가 생성됩니다.
• 그런 다음 Cohere가 생성 한 모든 벡터를 포함하는 .CSV 파일을 만듭니다.

5. weaviate 인스턴스에서 새 컬렉션 작성 : python database/create_collection

• 이것은 "moviecustomvector"라는 새로운 컬렉션을 만듭니다.

6. 데이터 가져 오기 : python database/import_data
7. 데이터 쿼리 : python -m queries.{the_file_you_wish_to_query}
8. 어떤 이유로 든 DB 연결을 종료하려면 : python database/close_db_connection

검색 방법에 대한 자세한 정보

'생성'인 Rag Search는 2 단계로 구성됩니다.

1. (Weaviate) Weaviate에서 검색 쿼리를 실행하여 관련 객체를 찾으십시오.
2. (Cohere) Cohere 큰 언어 모델을 사용하여 결과 (이전 단계)와 제공된 프롬프트 또는 작업에 따라 응답을 생성합니다.

테스트 휴식 종료점

• WCD REST Endpoint URL을 브라우저에 붙여 넣고 /v1 로 추가하십시오.
• 이것은 Postman을 구성하여 액세스 할 수있는 편안한 엔드 포인트 목록을 보여줍니다.
• Weaviate는 Bearer Token을 사용하며 승인을 위해 WCD_API_Key에 붙여 넣어야합니다.