修仙么朋友-从0到1构建个人修仙百科

ChatGPT构建修仙百科

ChatGPT非常适合进行日常的通用问答，但在需要领域特定知识时存在一些不足。此外，它会编造答案来填补其知识空白，并且从不引用其信息来源，因此无法真正被信任。

本应用尝试使用网络修仙小说来构建修仙领域的修仙百科。

使用的技术:

Next.js (React框架)
MemFire (国内版Supabase,使用他们的pgvector实现作为向量数据库)
OpenAI API (用于生成嵌入和聊天完成)
TailwindCSS (用于样式)

后续工作：

使用MemFire 云函数构建本应用中的api接口
使用MemFire 静态托管部署本应用

功能概述

创建和存储嵌入:

上传修仙小说，转换为纯文本并分割成1000个字符的文档
使用OpenAI的嵌入API，利用"text-embedding-ada-002"模型为每个文档生成嵌入
将嵌入向量存储在Supabase的postgres表中，使用pgvector; 表包含三列: 文档文本、源URL以及从OpenAI API返回的嵌入向量。

响应查询:

从用户提示生成单个嵌入向量
使用该嵌入向量对向量数据库进行相似性搜索
使用相似性搜索的结果构建GPT-3.5/GPT-4的提示
然后将GPT的响应流式传输给用户。

修仙体验

上传小说
修仙问答

体验地址

入门指南

以下设置指南假定您至少对使用React和Next.js开发Web应用程序有基本的了解。熟悉OpenAI API和Supabase会对使事情正常运行有所帮助，但不是必需的。

设置Supabase

登录MemFire 创建应用
启用Vector扩展首先，我们将启用Vector扩展。可以在应用的SQL执行器中运行以下命令完成此操作：

sql 复制代码

create extension vector;

接下来，让我们创建一个表来存储我们的文档及其嵌入。

转到SQL编辑器并运行以下查询：

sql 复制代码

create table documents (
  id bigserial primary key,
  content text,
  url text,
  embedding vector (1536)
);

最后，我们将创建一个用于执行相似性搜索的函数。转到SQL编辑器并运行以下查询：

sql 复制代码

create or replace function match_documents (
  query_embedding vector(1536),
  similarity_threshold float,
  match_count int
)
returns table (
  id bigint,
  content text,
  url text,
  similarity float
)
language plpgsql
as $$
begin
  return query
  select
    documents.id,
    documents.content,
    documents.url,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where 1 - (documents.embedding <=> query_embedding) > similarity_threshold
  order by documents.embedding <=> query_embedding
  limit match_count;
end;
$$;

设置本地环境

安装依赖项

bash 复制代码

npm install

在根目录中创建一个名为.env.local的文件以存储环境变量：

bash 复制代码

cp .env.local.example .env.local

打开.env.local文件，添加您的Supabase项目URL和API密钥。
将您的OpenAI API密钥添加到.env.local文件。您可以在OpenAI Web门户的API Keys下找到它。API密钥应存储在OPENAI_API_KEY变量中。
$可选$ 提供OPEAI_PROXY环境变量以启用您自定义的OpenAI API代理。将其设置为 "" 以直接调用官方API。
启动应用程序

bash 复制代码

npm run dev

在浏览器中打开http://localhost:3000查看应用程序。

github地址

github.com/TiannV/ai-k...