[使用Supabase实现高效的RAG：从数据库到应用集成全攻略]

bhawfgrcbtwny

于 2024-10-10 18:28:11 发布

阅读量438

点赞数 6

文章标签：数据库 python

本文链接：https://blog.csdn.net/bhawfgrcbtwny/article/details/142829110

版权

引言

在现代软件开发中，“检索增强生成”（RAG）结合了信息检索和生成模型的优势。Supabase 作为一个开源的 Firebase 替代方案，结合其强大的 PostgreSQL 后端和 pgvector 插件，可以成为实现 RAG 的理想选择。本文将详细介绍如何在 Supabase 上实现 RAG 并集成到应用程序中。

主要内容

环境设置

首先，确保你已经设置了必要的 API Keys：

export SUPABASE_URL=<your-supabase-url>
export SUPABASE_SERVICE_KEY=<your-service-key>
export OPENAI_API_KEY=<your-openai-api-key>

这些值可以在你的 Supabase 项目和 OpenAI 账号中找到。

Supabase 数据库设置

前往 https://database.new 创建你的 Supabase 数据库。
在 SQL 编辑器中运行以下脚本以启用 pgvector 并设置你的数据库：

-- 启用 pgvector 扩展以处理嵌入向量
create extension if not exists vector;

-- 创建存储文档的表格
create table documents (
  id uuid primary key,
  content text,
  metadata jsonb,
  embedding vector (1536)  -- OpenAI 嵌入的默认向量维度
);

-- 创建用于搜索文档的函数
create function match_documents (
  query_embedding vector (1536),
  filter jsonb default '{}'
) returns table (
  id uuid,
  content text,
  metadata jsonb,
  similarity float
) language plpgsql as $$
#variable_conflict use_column
begin
  return query
  select
    id,
    content,
    metadata,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding;
end;
$$;

LangChain 项目设置

安装 LangChain CLI:
```
pip install -U langchain-cli
```

创建新项目或添加到现有项目：

langchain app new my-app --package rag-supabase
langchain app add rag-supabase

在 server.py 添加以下代码：

from rag_supabase.chain import chain as rag_supabase_chain

add_routes(app, rag_supabase_chain, path="/rag-supabase")

启动 LangServe 实例

在项目目录中运行：

langchain serve

这将启动一个运行在本地的 FastAPI 应用程序，访问地址为 http://localhost:8000。

代码示例

下面是一个简单的代码示例，展示如何从 Supabase 检索并生成内容：

from langserve.client import RemoteRunnable

runnable = RemoteRunnable("http://localhost:8000/rag-supabase")

# 使用API代理服务提高访问稳定性
result = runnable.run(input={"query": "What is RAG?"})

print(result)