О чём урок
Этот notebook проведет вас через использование Neon Serverless Postgres в качестве векторной базы данных для OpenAI embeddings. Он демонстрирует, как: Использовать embeddings, созданные OpenAI API. Хранить embeddings в базе данных Neon Serverless Postgres. Преобразовать необработанный текстовый запрос в embedding с помощью OpenAI API. Использовать Neon с расширением pgvector для выполнения поиска векторного сходства. Прежде чем начать, убедитесь, что у вас есть следующее: База данных Neon Postgres. Вы можете создать учетную запись и настроить проект с готовой к использованию базой данных neondb за несколько простых шагов. Инструкции см. в разделах Регистрация и Создание первого проекта. Строка подключения к вашей базе данных Neon. Вы можете скопировать ее из виджета Connection Details на Dashboard Neon. См. Подключение из любого приложения. Расширение pgvector. Установите расширение в Neon, выполнив команду CREATE EXTENSION vector;. Инструкции см. в разделе Включение расширения pgvector. Ваш ключ OpenAI API. Python и pip. Для этого notebook требуются пакеты openai, psycopg2, pandas, wget и python-dotenv. Вы можете установить их с помощью pip: Ключ OpenAI API необходим для генерации векторов для документов и запросов. Если у вас нет ключа OpenAI API, получите его по адресу https://platform.openai.com/account/api-keys. Добавьте ключ OpenAI API в качестве переменной среды операционной системы или предоставьте его для сессии по запросу. Если вы определяете переменную среды, назовите ее OPENAI_API_KEY. Для получения информации о настройке ключа OpenAI API в качестве переменной среды см. Рекомендации по безопасности ключей API. Укажите строку подключения к вашей базе данных Neon ниже или определите ее в файле .env с помощью переменной DATABASE_URL. Для получения информации о получении строки подключения Neon см. Подключение из любого приложения. Проверьте подключение к вашей базе данных: В этом руководстве используются предварительно рассчитанные embeddings статей Википедии, доступные в директории OpenAI Cookbook examples, чтобы вам не пришлось рассчитывать embeddings за счет собственных кредитов OpenAI.
План урока
- Предварительные требования
- Установка необходимых модулей
- Подготовьте ваш ключ OpenAI API
- Проверьте ваш ключ OpenAPI
- Подключение к вашей базе данных Neon
- Создание таблицы и добавление индексов для ваших векторных embeddings
- Загрузка данных
- Поиск по данным
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.