store GetQuery vectors openai js

Custom-Chatgpt с API OpenAI

Этот репозиторий содержит код для хранения и запроса ваших собственных данных, используя Enterdings и Supabase Openai, используя JavaScript.

Предварительные условия

Прежде чем начать, убедитесь, что у вас есть следующая настройка:

• Node.js установлен
• Учетная запись Supabase с настроенной базой данных
• OpenAI API -ключ

Установка

1. Клонировать репозиторий:

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

2. Установить зависимости:

   npm install openai
   npm install @supabase/supabase-js

Конфигурация

Замените значения заполнителей в коде вашим фактическим учетным данным Supabase и Openai:

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

Кодовые функции

Столевое (заголовок, тело, внедрение) Описание: хранит предоставленное название, тело и встраивание в базу данных Supabase.

Queryembeddings (Query, MatchThreshold, MatchCount) Описание: Запросы Supabase для вторжений, которые соответствуют предоставленному запросу, порогу и подсчету.

GetaNswer (запрос, сообщения) Описание: генерирует ответ от OpenAI GPT-3.5 на основе предоставленного запроса и соответствующих документов.

Схема БД

Создать таблицу для хранения вторжений

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

Чтобы «подключить» Openai к нашим вставкам, нам нужно создать функцию в Postgres, найти наиболее близкие значения, когда дают вектор.

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

Кроме того, мы можем создать индекс в нашей таблице сообщений, чтобы ускорить запрос.

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