store GetQuery vectors openai js

Custom-Chatgpt com API OpenAI

Este repositório contém código para como armazenar e consultar seus próprios dados usando o OpenAi incorpeddings e supabase usando JavaScript.

Pré -requisitos

Antes de começar, verifique se você tem o seguinte configuração:

• Node.js instalado
• Conta supabase com um banco de dados configurado
• Chave da API OpenAI

Instalação

1. Clone o repositório:

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

2. Instale dependências:

   npm install openai
   npm install @supabase/supabase-js

Configuração

Substitua os valores de espaço reservado no código pelas suas credenciais reais de supabase e openai:

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

Funções de código

Storeembedding (título, corpo, incorporação) Descrição: armazena o título fornecido, o corpo e a incorporação no banco de dados supabase.

Queryembeddings (consulta, matchthreshold, MatchCount) Descrição: Consultas supabase para incorporações que correspondem à consulta, limite e contagem fornecidos.

GetAnswer (consulta, postagens) Descrição: Gera uma resposta do OpenAI GPT-3.5 com base na consulta fornecida e nos documentos correspondentes.

Esquema DB

Crie a tabela para armazenar incorporação

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

Para "conectar" o OpenAI de nossas incorporações, precisamos criar uma função no Postgres, encontre os valores correspondentes mais próximos quando recebidos um vetor.

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

Além disso, podemos criar um índice em nossa tabela de postagens para acelerar a consulta.

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