基于 Quivr 搭建个人专属知识库

上一篇里，树先生教咱们利用 ChatGLM-6B + langchain 完结个人专属常识库，实际运行下来，发现2个问题：

1、购买的 16G 显存的 GPU 云服务，在 FP16 精度下，多轮对话到第二轮，显存就爆了，无奈只能上 INT4 量化；

2、GPU 云服务也是一笔不小的开支啊，普通个人玩家也耗费不起~

那么有没有其他处理计划呢？

今天，树先生教咱们一种运用远端模型（OpenAI）构建个人常识库的处理计划—— Quivr。

Quivr 介绍

Quivr 是一款运用生成 AI 技术来存储和检索非结构化信息的“第二大脑”，能够将其视为 Obsidian 的增强版，而且具有更强的人工智能功能。

Quivr 能够处理几乎所有类型的数据，包括文本、图画、代码片段等。它选用先进的人工智能技术来帮助您生成和检索信息。一起，它还专注于速度和功率，确保您能够快速拜访数据。您的数据安全由您掌控，Quivr 支撑多个文件格局，包括文本、Markdown、PDF、PowerPoint、Excel、Word、音频、视频等。

从介绍上来看，支撑的文件格局还算比较丰富，究竟自诩为“第二大脑”呢！

实战

Quivr 和咱们之前介绍的其他常识库计划一样，本质上都是基于 Prompt 与大模型交互来的，Quivr 用到的首要技术有：

• LLM：GPT3.5 / GPT 4

• Embedding：OpenAI embedding

• 向量常识库：Supabase

预备工作

• 海外节点云服务（项目需求与 OpenAI 交互，但交互的地址是不行装备的，这块如果想用国内节点云服务走署理那一套，需求自行改造代码）
• Supabase 账号
• OpenAI API Key

Supabase 创立项目

点击 New project 创立一个新项目，填写必要信息，暗码那边挑选自动生成就行。

项目创立完结，会来到一个欢迎页面，这儿首要关注下面这两个装备参数就行，后边会用到。

其他流程我就不介绍了，这儿提一点，云服务器需求放行 3000 和 5050 端口，别离对应Quivr的前后端。

项目布置

环境预备好了以后，就能够开端项目布置工作了。

下载源码

git clone https://github.com/StanGirard/quivr.git && cd quivr
# 切换到 v0.0.4分支
git checkout v0.0.4
git checkout -b v0.0.4

设置环境变量

cp .backend_env.example backend/.env
cp .frontend_env.example frontend/.env

首要修正 frontend 目录下的环境变量，还记得之前 Supabase 那边的2个装备么？拷贝到这儿。其他的按实际情况修正。

然后修正 backend 目录下的环境变量，仍是上面 Supabase 的装备，拷贝到这儿。由于咱们用的是 OpenAI 提供的服务，所以这儿咱们填上 OPENAI_API_KEY，ANTHROPIC_API_KEY 是挑选 Claude 的装备，咱们能够删了。

接下来是 JWT_SECRET_KEY，这个能够在 Supabase 这儿获取。

履行 SQL

装备完了，接下来要初始化数据库了。翻开 Supabase 面板，按下图点击。

将下面的 3 个 SQL 句子顺次仿制进去履行。

create extension vector;
-- Create a table to store your documents
create table if not exists documents (
id bigserial primary key,
content text, -- corresponds to Document.pageContent
metadata jsonb, -- corresponds to Document.metadata
embedding vector(1536) -- 1536 works for OpenAI embeddings, change if needed
);
CREATE FUNCTION match_documents(query_embedding vector(1536), match_count int)
    RETURNS TABLE(
        id bigint,
        content text,
        metadata jsonb,
        -- we return matched vectors to enable maximal marginal relevance searches
        embedding vector(1536),
        similarity float)
    LANGUAGE plpgsql
    AS $$
    # variable_conflict use_column
BEGIN
    RETURN query
    SELECT
        id,
        content,
        metadata,
        embedding,
        1 -(documents.embedding <=> query_embedding) AS similarity
    FROM
        documents
    ORDER BY
        documents.embedding <=> query_embedding
    LIMIT match_count;
END;
$$;

create table
  stats (
    -- A column called "time" with data type "timestamp"
    time timestamp,
    -- A column called "details" with data type "text"
    chat boolean,
    embedding boolean,
    details text,
    metadata jsonb,
    -- An "integer" primary key column called "id" that is generated always as identity
    id integer primary key generated always as identity
  );

-- Create a table to store your summaries
create table if not exists summaries (
    id bigserial primary key,
    document_id bigint references documents(id),
    content text, -- corresponds to the summarized content
    metadata jsonb, -- corresponds to Document.metadata
    embedding vector(1536) -- 1536 works for OpenAI embeddings, change if needed
);
CREATE OR REPLACE FUNCTION match_summaries(query_embedding vector(1536), match_count int, match_threshold float)
    RETURNS TABLE(
        id bigint,
        document_id bigint,
        content text,
        metadata jsonb,
        -- we return matched vectors to enable maximal marginal relevance searches
        embedding vector(1536),
        similarity float)
    LANGUAGE plpgsql
    AS $$
    # variable_conflict use_column
BEGIN
    RETURN query
    SELECT
        id,
        document_id,
        content,
        metadata,
        embedding,
        1 -(summaries.embedding <=> query_embedding) AS similarity
    FROM
        summaries
    WHERE 1 - (summaries.embedding <=> query_embedding) > match_threshold
    ORDER BY
        summaries.embedding <=> query_embedding
    LIMIT match_count;
END;
$$;

履行完结后，会产生 3 个数据表。

Docker 版别更新（可选）

这一步不是有必要的，由于我买的云服务器 docker 版别比较低，所以需求晋级一下，具体如何装置能够在 docker 官网上找到，这儿就以 CentOS 7.6 下装置 docker 为例。

# Uninstall old versions
sudo yum remove docker \
                  docker-client \
                  docker-client-latest \
                  docker-common \
                  docker-latest \
                  docker-latest-logrotate \
                  docker-logrotate \
                  docker-engine
# Set up the repository
sudo yum install -y yum-utils
sudo yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo
# Install Docker Engine
sudo yum install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin
# Start Docker
sudo systemctl start docker

项目启动

docker compose build && docker compose up

这个进程还比较耗时。。。

项目展现

用户认证

上传常识库

常识库问答

问常识库里的问题

原始材料里内容

常识库检查

问题与改善

• 体会过 Quivr 的朋友应该有所体会，Quivr 默许会以英文进行回复，这个其实很好处理，找到项目里的内置 prompt 改成中文就行，之前就说过，现在市面上这一套外挂常识库的开源计划，基本都是基于 prompt 来的。

• 网页响应慢的问题，首要咱们运用的都是海外节点云服务，高延时导致网页资源加载慢，之所以要用海外节点云服务，无非是由于用到了 OpenAI 的大模型与 Embedding 服务，那么有没有在国内节点上去拜访 OpenAI 的方式呢？网上处理计划有许多，云函数就是其间一种处理计划，如果咱们感兴趣，请点赞保藏，我会根据咱们的反馈来综合考虑出一期教程。有了云函数后，替换代码里拜访 openai 的地址就能够，不过 Quivr 这个项目用的是官方的 openai 组件包，改动仍是比较大的，这块树先生还在研讨中。
• 呈现下面这种报错的首要原因是 OpenAI 约束了普通账户的恳求速率，处理办法是为你的 OpenAI 账户添加付出方式。

好了，就到这儿，总的来说，运用远端模型或本地模型各有优缺点，感兴趣的朋友自行建立体会吧，喜欢朋友别忘了点赞、转发、保藏哟~