store GetQuery vectors openai js

與Openai API的Custom-Chatgpt

該存儲庫包含有關如何使用OpenAI嵌入式和Supabase使用JavaScript存儲和查詢自己數據的代碼。

先決條件

在開始之前，請確保已設置以下設置：

• 安裝了node.js
• 帶有配置數據庫的Supabase帳戶
• OpenAI API鍵

安裝

1. 克隆存儲庫：

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

2. 安裝依賴項：

   npm install openai
   npm install @supabase/supabase-js

配置

用您的實際supabase和OpenAI憑據替換代碼中的佔位符值：

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

代碼功能

StoreEmbedding（標題，正文，嵌入）描述：存儲提供的標題，正文和嵌入在Supabase數據庫中。

QUERYEMBEDDINGS（查詢，MatchThreshold，MatchCount）描述：查詢supabase的嵌入式，與提供的查詢，閾值和計數相匹配。

getanswer（查詢，帖子）描述：根據提供的查詢和匹配的文檔從OpenAI GPT-3.5生成答案。

DB模式

創建表存儲嵌入的表

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

為了將OpenAI“連接”到我們的嵌入式中，我們需要在Postgres中創建一個函數，當給出向量時，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，我們可以在郵局上創建一個索引來加快查詢。

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