sql-pgvector

此模板使用户能够使用 pgvector 将 PostgreSQL 与语义搜索 / RAG 结合起来。

它使用 PGVector 扩展，如 RAG 赋能 SQL 食谱 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 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 docker 中本地运行一个：

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

要稍后再次启动，请使用上面定义的 --name：

docker start some-postgres

PostgreSQL 数据库设置

除了启用 pgvector 扩展外，您还需要进行一些设置，以便能够在 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 中有详细介绍，但整体方法包括：

1. 查询列中的唯一值
2. 为这些值生成嵌入
3. 将嵌入存储在单独的列或辅助表中。

使用方法

要使用此软件包，您首先需要安装 LangChain CLI：

pip install -U langchain-cli

要创建一个新的 LangChain 项目并将其作为唯一软件包安装，您可以执行：

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

如果您想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 将帮助我们追踪、监控和调试 LangChain 应用程序。 您可以在 这里 注册 LangSmith。 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"

如果您在此目录内，则可以直接通过以下命令启动 LangServe 实例：

langchain serve

这将启动 FastAPI 应用程序，服务器在本地运行于 http://localhost:8000

我们可以在 http://127.0.0.1:8000/docs 查看所有模板 我们可以在 http://127.0.0.1:8000/sql-pgvector/playground 访问游乐场

我们可以通过代码访问模板：

from langserve.client import RemoteRunnable

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