Урок из полного доступа, первые уроки курса бесплатно Официальный курс OpenAI Academy на русском
Урок 270 · Текст · ~5 мин

Семантический поиск на LangChain и Oracle AI Database

Урок 270 из 303 курса «OpenAI Cookbook»: официальный курс OpenAI Academy (ОпенАИ) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

В этом руководстве показано, как создать рабочий процесс семантического поиска с использованием:

  • OpenAI embeddings для преобразования текста в векторные представления
  • интеграции LangChain с Oracle vector store для записи и запроса векторов через привычный Python-интерфейс
  • Oracle AI Database Vector Search для хранения embeddings наряду с реляционными/прикладными данными

OpenAI используется для генерации embeddings. LangChain предоставляет абстракцию vector store, а Oracle AI Database обеспечивает хранение векторов и поиск по сходству (similarity search). Это явно определяет роль OpenAI, не подразумевая, что OpenAI предоставляет отдельную управляемую функцию vector search.

Этот паттерн полезен для retrieval-augmented generation (RAG), внутреннего семантического поиска и приложений, где исходные данные уже находятся в Oracle. Он позволяет добавить семантический поиск (semantic retrieval) без внедрения отдельной векторной базы данных, сохраняя при этом интерфейс поиска LangChain доступным для более крупных рабочих процессов приложений.

  1. Текстовые документы преобразуются в embeddings с помощью text-embedding-3-small.
  2. LangChain записывает текст, метаданные и векторы в таблицу Oracle AI Database.
  3. Запрос на естественном языке преобразуется в embedding с помощью той же модели OpenAI.
  4. Oracle AI Database Vector Search возвращает ближайшие сохраненные документы.
  5. Извлеченный текст может быть передан модели генерации в более крупном RAG-приложении.
  1. Загрузка учетных данных из переменных среды или локального файла .env.
  2. Подключение к Oracle AI Database с помощью Python-драйвера oracledb.
  3. Инициализация OpenAI embeddings и Oracle vector store от LangChain.
  4. Вставка небольшого повторно запускаемого набора демонстрационных данных без накопления дубликатов.
  5. Выполнение семантического поиска по сходству (semantic similarity search) с помощью similarity_search(..., k=3).
  • Python 3.10+
  • Ключ OpenAI API с доступом к embeddings
  • Oracle AI Database с включенным Vector Search
  • Python-пакеты: langchain, langchain-openai, langchain-oracledb, oracledb, python-dotenv, numpy

Если эти пакеты уже установлены в вашей среде, эта cell не внесет никаких изменений.

Notebook считывает конфигурацию из переменных среды. Вы можете установить их в своей оболочке, в среде notebook или в локальном файле .env рядом с этим notebook:

Для локальных экспериментов…

План урока

  1. Краткий обзор архитектуры
  2. Что демонстрирует этот notebook
  3. Требования
  4. Установка зависимостей
  5. Настройка учетных данных и подключения к Oracle
  6. Варианты настройки Oracle
  7. Подключение к Oracle AI Database
  8. Выбор демонстрационной таблицы и метрики расстояния

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы OpenAI 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от OpenAI (1 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Урок входит в темы

Полезные гиды