【山东大学项目实训】进度汇报13

优化embedding模型与向量数据库的连接和数据库加载

1. 确保向量数据库文件的存储路径和持久化路径的有效性，避免重复创建数据库。

2. 根据给定的嵌入模型类型和API密钥获取嵌入对象，并使用该对象创建和加载向量数据库。

3. 将指定路径的知识库数据加载到向量数据库中，方便后续的数据检索和使用

优化代码：

import sys

#导入必要模块和设置路径
# 将上级目录中的embedding和database两个子目录添加到系统路径中，以便可以导入其中的模块
sys.path.append("../embedding")
sys.path.append("../database")

import os
#用于检查文件路径和目录

# 从database目录的create_db模块导入create_db和load_knowledge_db函数
from database.create_db import create_db, load_knowledge_db
# 从embedding目录的call_embedding模块导入get_embedding函数
from embedding.call_embedding import get_embedding

#定义默认路径
# 数据库文件存储路径
DEFAULT_DB_PATH = "../database/knowledge_db"

# 存储向量数据库生成的向量数据
#默认存储向量数据库生成的向量数据的路径。
DEFAULT_PERSIST_PATH = "../database/vector_data_base"

# 定义一个函数用于获取或创建向量数据库对象
#提供了默认值，以便在调用时可以省略这些参数。
def get_vectordb(file_path: str = DEFAULT_DB_PATH, persist_path: str = DEFAULT_PERSIST_PATH, embedding="zhipuai", embedding_key: str = "7cf22af17f2d01144caf46eda1550b1e.hu1OH9O4YeKTWlgM"):
    """
    根据给定参数返回向量数据库对象。
    输入参数：
    - file_path: 文件路径，用于创建数据库时指定数据文件路径
    - persist_path: 持久化路径，用于存储数据库文件
    - embedding: 指定使用的嵌入模型，默认为"zhipuai"
    - embedding_key: 用于访问嵌入模型API的密钥
    """
    # 根据指定的embedding类型和API密钥获取embedding对象
    embedding = get_embedding(embedding=embedding, embedding_key=embedding_key)

    # 检查指定的持久化路径是否存在
    if os.path.exists(persist_path):
        contents = os.listdir(persist_path)
        # 如果路径存在但目录为空
        if len(contents) == 0:
            # 创建数据库，并加载知识库到向量数据库对象
            vectordb = create_db(file_path, persist_path, embedding)
            vectordb = load_knowledge_db(persist_path, embedding)
        else:
            # 如果目录不为空，直接从持久化路径加载向量数据库对象
            vectordb = load_knowledge_db(persist_path, embedding)
    else:
        # 如果指定的持久化路径不存在，从头开始创建向量数据库
        vectordb = create_db(file_path, persist_path, embedding)
        vectordb = load_knowledge_db(persist_path, embedding)

#返回向量数据库对象
    return vectordb