[深入探索Xata: 将聊天数据存储与问答集成功能结合]

最新推荐文章于 2024-11-10 08:15:38 发布

qq_37836323

最新推荐文章于 2024-11-10 08:15:38 发布

阅读量323

点赞数 2

文章标签： python

本文链接：https://blog.csdn.net/qq_29929123/article/details/142428417

版权


# 引言

在现代应用中，随着需求的复杂性增加，将聊天数据和问答功能集成到应用中变得日益重要。本文将介绍Xata——一个基于PostgreSQL和Elasticsearch的无服务器数据平台。我们将展示如何使用Xata的Python SDK来管理聊天数据，并结合OpenAI创建一个智能问答机器人的示例。

# 主要内容

## Xata简介

Xata是一个无服务器的数据平台，利用PostgreSQL和Elasticsearch的强大功能，提供数据的高效存储与查询。它支持创建向量存储，用于快速实现相似性搜索。此外，Xata的用户界面和SDK使得数据管理变得更加简单。

## 创建数据库

首先，在Xata用户界面中创建一个新的数据库。在本文示例中，我们将其命名为`langchain`。Xata支持自动创建用于存储聊天内存的表，但也可以选择手动预创建表，以减少初始化过程中的数据库请求次数。

## 设置环境

### 安装依赖

```shell
%pip install --upgrade --quiet xata langchain-openai langchain langchain-community

获取环境变量

import getpass

api_key = getpass.getpass("Xata API key: ")
db_url = input("Xata database URL (copy it from your DB settings):")

创建简单的内存存储

from langchain_community.chat_message_histories import XataChatMessageHistory

history = XataChatMessageHistory(
    session_id="session-1", api_key=api_key, db_url=db_url, table_name="memory"
)

history.add_user_message("hi!")
history.add_ai_message("whats up?")

以上代码创建了一个会话，存储了两条消息。可以通过访问Xata用户界面查看存储在memory表中的这些消息。

复杂示例：构建Q&A聊天机器人

配置OpenAI API

import os

os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

创建向量存储

from langchain_community.vectorstores.xata import XataVectorStore
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

texts = [
    "Xata is a Serverless Data platform based on PostgreSQL",
    "Xata offers a built-in vector type that can be used to store and query vectors",
    "Xata includes similarity search",
]

vector_store = XataVectorStore.from_texts(
    texts, embeddings, api_key=api_key, db_url=db_url, table_name="docs"
)

配置会话内存

from uuid import uuid4
from langchain.memory import ConversationBufferMemory

chat_memory = XataChatMessageHistory(
    session_id=str(uuid4()), 
    api_key=api_key,
    db_url=db_url,
    table_name="memory",
)

memory = ConversationBufferMemory(
    memory_key="chat_history", chat_memory=chat_memory, return_messages=True
)

创建Agent

from langchain.agents import AgentType, initialize_agent
from langchain.agents.agent_toolkits import create_retriever_tool
from langchain_openai import ChatOpenAI

tool = create_retriever_tool(
    vector_store.as_retriever(),
    "search_docs",
    "Searches and returns documents from the Xata manual. Useful when you need to answer questions about Xata.",
)

tools = [tool]

llm = ChatOpenAI(temperature=0)

agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    verbose=True,
    memory=memory,
)

测试Agent

agent.run(input="My name is bob")
agent.run(input="What is xata?")
agent.run(input="Does it support similarity search?")
agent.run(input="Did I tell you my name? What is it?")