LangChain JS/TS

Einführung

LangChain ist ein Framework zur Entwicklung von Anwendungen, die von Sprachmodellen unterstützt werden. LangChain JS/TS (opens new window) wurde entwickelt, um nahtlos mit dem LangChain Python-Paket (opens new window) integriert zu werden. Dies bedeutet konkret, dass alle Objekte (Prompts, LLMs, Chains usw.) so konzipiert sind, dass sie zwischen den Sprachen serialisiert und geteilt werden können.

Voraussetzungen

Bevor wir beginnen, müssen wir das langchain (opens new window) und ClickHouse JS (opens new window) installieren.

# npm
npm install -S langchain @clickhouse/client
# yarn
yarn add langchain @clickhouse/client

Umgebung einrichten

Um OpenAI-Einbettungsmodelle zu verwenden, müssen wir uns bei OpenAI (opens new window) für einen API-Schlüssel anmelden. Außerdem müssen wir die Cluster-Host-, Benutzername- und Passwortinformationen aus der MyScale-Konsole abrufen (Verbindungsdaten).

Führen Sie den folgenden Befehl aus, um die Umgebungsvariablen festzulegen:

export MYSCALE_HOST="IHR_CLUSTER_HOST"
export MYSCALE_PORT=443 
export MYSCALE_USERNAME="IHR_BENUTZERNAME" 
export MYSCALE_PASSWORD="IHR_CLUSTER_PASSWORT"
export OPENAI_API_KEY="IHR_OPENAI_API_SCHLÜSSEL"

Index- und Abfrage-Dokumente

import { MyScaleStore } from "langchain/vectorstores/myscale";
import { OpenAIEmbeddings } from "langchain/embeddings/openai";
const vectorStore = await MyScaleStore.fromTexts(
  ["Hallo Welt", "Tschüss", "Hallo schöne Welt"],
  [
    { id: 2, name: "2" },
    { id: 1, name: "1" },
    { id: 3, name: "3" },
  ],
  new OpenAIEmbeddings(),
  {
    host: process.env.MYSCALE_HOST || "localhost",
    port: process.env.MYSCALE_PORT || "443",
    username: process.env.MYSCALE_USERNAME || "Benutzername",
    password: process.env.MYSCALE_PASSWORD || "Passwort",
  }
);
const results = await vectorStore.similaritySearch("Hallo Welt", 1);
console.log(results);
const filteredResults = await vectorStore.similaritySearch("Hallo Welt", 1, {
  whereStr: "metadata.name = '1'",
});
console.log(filteredResults);

Abfrage-Dokumente aus einer vorhandenen Sammlung

import { MyScaleStore } from "langchain/vectorstores/myscale";
import { OpenAIEmbeddings } from "langchain/embeddings/openai";
const vectorStore = await MyScaleStore.fromExistingIndex(
  new OpenAIEmbeddings(),
  {
    host: process.env.MYSCALE_HOST || "localhost",
    port: process.env.MYSCALE_PORT || "443",
    username: process.env.MYSCALE_USERNAME || "Benutzername",
    password: process.env.MYSCALE_PASSWORD || "Passwort",
    database: "Ihre_Datenbank", // Standardwert: "default"
    table: "Ihre_Tabelle", // Standardwert: "vector_table"
  }
);
const results = await vectorStore.similaritySearch("Hallo Welt", 1);
console.log(results);
const filteredResults = await vectorStore.similaritySearch("Hallo Welt", 1, {
  whereStr: "metadata.name = '1'",
});
console.log(filteredResults);