sql-pgvector

这个模板使用户能够将pgvector与PostgreSQL结合使用，用于语义搜索和RAG。

它使用PGVector扩展，如RAG empowered SQL cookbook中所示。

环境设置

如果您使用ChatOpenAI作为您的LLM，请确保在您的环境中设置了OPENAI_API_KEY。您可以在chain.py中更改LLM和嵌入模型。

您可以配置以下环境变量以供模板使用（默认值在括号中）：

POSTGRES_USER（postgres）
POSTGRES_PASSWORD（test）
POSTGRES_DB（vectordb）
POSTGRES_HOST（localhost）
POSTGRES_PORT（5432）

如果您没有postgres实例，可以在本地使用docker运行一个：

docker run \
  --name some-postgres \
  -e POSTGRES_PASSWORD=test \
  -e POSTGRES_USER=postgres \
  -e POSTGRES_DB=vectordb \
  -p 5432:5432 \
  postgres:16

以后要重新启动，请使用上面定义的--name：

docker start some-postgres

PostgreSQL数据库设置

除了启用pgvector扩展之外，您还需要进行一些设置，才能在SQL查询中运行语义搜索。

为了在您的postgreSQL数据库上运行RAG，您需要为您想要的特定列生成嵌入。

这个过程在RAG empowered SQL cookbook中有介绍，但总体方法包括：

查询列中的唯一值
为这些值生成嵌入
将嵌入存储在单独的列或辅助表中。

使用方法

要使用此包，您首先应该安装LangChain CLI：

pip install -U langchain-cli

要创建一个新的LangChain项目并将其安装为唯一的包，可以执行以下操作：

langchain app new my-app --package sql-pgvector

如果要将其添加到现有项目中，只需运行：

langchain app add sql-pgvector

并将以下代码添加到您的server.py文件中：

from sql_pgvector import chain as sql_pgvector_chain

add_routes(app, sql_pgvector_chain, path="/sql-pgvector")

（可选）现在让我们配置LangSmith。 LangSmith将帮助我们跟踪、监视和调试LangChain应用程序。 LangSmith目前处于私有测试版，您可以在此处注册。如果您没有访问权限，可以跳过此部分

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project>  # 如果未指定，默认为"default"

如果您在此目录中，则可以直接启动LangServe实例：

langchain serve

这将在本地启动FastAPI应用程序，服务器正在http://localhost:8000上运行

我们可以在http://127.0.0.1:8000/docs上查看所有模板我们可以在http://127.0.0.1:8000/sql-pgvector/playground上访问playground

我们可以通过以下代码访问模板：

from langserve.client import RemoteRunnable

runnable = RemoteRunnable("http://localhost:8000/sql-pgvector")

sql-pgvector

环境设置​

PostgreSQL数据库设置​

使用方法​

环境设置

PostgreSQL数据库设置

使用方法