store GetQuery vectors openai js

与Openai API的Custom-Chatgpt

该存储库包含有关如何使用OpenAI嵌入式和Supabase使用JavaScript存储和查询自己数据的代码。

先决条件

在开始之前，请确保已设置以下设置：

• 安装了node.js
• 带有配置数据库的Supabase帐户
• OpenAI API键

安装

1. 克隆存储库：

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

2. 安装依赖项：

   npm install openai
   npm install @supabase/supabase-js

配置

用您的实际supabase和OpenAI凭据替换代码中的占位符值：

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

代码功能

StoreEmbedding（标题，正文，嵌入）描述：存储提供的标题，正文和嵌入在Supabase数据库中。

QUERYEMBEDDINGS（查询，MatchThreshold，MatchCount）描述：查询supabase的嵌入式，与提供的查询，阈值和计数相匹配。

getanswer（查询，帖子）描述：根据提供的查询和匹配的文档从OpenAI GPT-3.5生成答案。

DB模式

创建表存储嵌入的表

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

为了将OpenAI“连接”到我们的嵌入式中，我们需要在Postgres中创建一个函数，当给出向量时，找到最接近的匹配值。

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

此外，我们可以在邮局上创建一个索引来加快查询。

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