Elasticsearch：使用 OpenAI 生成嵌入并进行向量搜索 – nodejs

在我之前的文章：

• Elasticsearch：运用 Open AI 和 Langchain 的 RAG – Retrieval Augmented Generation （一）（二）（三）（四）​​​​​

我详细地描绘了怎么运用 LangChain 及 OpenAI 进行向量查找及 RAG。在那篇文章中，它没有用户界面。在今日的文章中，我将展示怎么运用 OpenAI 来把数据进行向量化（不是运用 Elastic Stack 提供的 eland 上传模型的方法。这种计划是完全免费的），并写入到 Elasticsearch。咱们运用 Web UI 来对向量进行查找。咱们能够在如下的地址下载代码：

git clone https://github.com/liu-xiao-guo/elasticsearch-labs

咱们将运用其中的一个例子：

1.  $ pwd
2.  /Users/liuxg/python/elasticsearch-labs/example-apps/openai-embeddings

装置

装置 Elasticsearch 及 Kibana

假如你还没有装置好自己的 Elasticsearch 及 Kibana，那么请参考一下的文章来进行装置：

• 怎么在 Linux，MacOS 及 Windows 上进行装置 Elasticsearch

• Kibana：怎么在 Linux，MacOS 及 Windows 上装置 Elastic 栈中的 Kibana

在装置的时分，请选择 Elastic Stack 8.x进行装置。在我下面的操练中，我将运用 Elastic Stack 8.11 来进行展示。

运转运用

在运转之前，咱们在自己的 terminal 中打入如下的指令：

1.  export ELASTICSEARCH_URL=https://localhost:9200
2.  export ELASTIC_USERNAME=elastic
3.  export ELASTIC_PASSWORD=o6G_pvRL=8P*7on+o6XH
4.  export OPENAI_API_KEY=YourOpenAIKey

在我的设置中，我运用自签名证书的 Elasticsearch 集群。在上面，你需要根据自己的 Elasticsearch 超级用户及密码进行装备。你也需要在 OpenAI 的网站中请求开发者 key。你能够在地址platform.openai.com/api-keys进行请求。

别的，咱们需要拷贝 Elasticsearch 的证书到当时的目录中：

1.  $ pwd
2.  /Users/liuxg/python/elasticsearch-labs/example-apps/openai-embeddings
3.  $ cp ~/elastic/elasticsearch-8.11.0/config/certs/http_ca.crt .
4.  $ ls
5.  LICENSE                http_ca.crt            package.json           utils.js
6.  README.md              images                 sample_data            views
7.  generate_embeddings.js package-lock.json      search_app.js

如上所示，generate_embeddings.js 这个文件是用来运用 OpenAI 来生产 embeddings 的。关于怎么运用证书及签名连接到 Elasticsearch，请参阅之前的文章 “Elasticsearch：运用最新的 Nodejs client 8.x 来创立索引并查找”。有关怎么连接到 Elasticsearch 的部分代码，请参阅上面的 utils.js。

在运动代码之前，咱们运用如下的指令来装置相应的包：

npm install

1.  $ vi package.json 
2.  $ npm install
4.  removed 10 packages, and audited 110 packages in 1s
6.  10 packages are looking for funding
7.    run `npm fund` for details
9.  found 0 vulnerabilities

咱们能够检查当时的 nodejs 版别：

1.  $ node --version
2.  v19.0.1

咱们也能够检查 openai 的版别：

1.  $ npm list | grep openai
2.  openai-integration-example-javascript@1.0.0 /Users/liuxg/python/elasticsearch-labs/example-apps/openai-embeddings
3.  └── openai@4.20.1

在这里需要强调的是 openai 的版别不同，调用的 API 的接口会有区别。

1.  $ npm list | grep elasticsearch
2.  openai-integration-example-javascript@1.0.0 /Users/liuxg/python/elasticsearch-labs/example-apps/openai-embeddings
3.  ├── @elastic/elasticsearch@8.8.0

生成向量

咱们能够检查 package.json 的文档定义：

package.json

1.  {
2.    "name": "openai-integration-example-javascript",
3.    "version": "1.0.0",
4.    "description": "OpenAI integration example",
5.    "main": "search_app.js",
6.    "scripts": {
7.      "app": "node search_app.js",
8.      "generate": "node generate_embeddings.js"
9.    },
10.    "author": "Elastic",
11.    "license": "MIT",
12.    "dependencies": {
13.      "@elastic/elasticsearch": "^8.8.0",
14.      "express": "^4.18.2",
15.      "hbs": "^4.2.0",
16.      "openai": "^4.20.1"
17.    }
18.  }

咱们运用如下的指令来生成 embeddings：

npm run generate

1.  $ npm run generate
3.  > openai-integration-example-javascript@1.0.0 generate
4.  > node generate_embeddings.js
6.  Connecting to Elasticsearch: https://localhost:9200
7.  connection success true
8.  Creating index openai-integration...
9.  Reading from file sample_data/medicare.json
10.  Processing 12 documents...
11.  Processing batch of 10 documents...
12.  docsBatch size: 10
13.  Calling OpenAI API for 10 embeddings with model text-embedding-ada-002
14.  Indexing 10 documents to index openai-integration...
15.  Processing batch of 2 documents...
16.  docsBatch size: 2
17.  Calling OpenAI API for 2 embeddings with model text-embedding-ada-002
18.  Indexing 2 documents to index openai-integration...
19.  Processing complete

在运转上面的指令时，必定要在 terminal 中设置上面的变量。在上面，咱们能够看到有12个文档现已被摄入到 Elasticsearch 中。它运用的是 OpenAI 的接口来进行向量化的。咱们能够运用如下的指令在 Kibana 中进行检查：

GET openai-integration/_search

发动 web 运用

咱们能够运用如下的指令来发动 web 运用：

npm run app

1.  $ npm run app
3.  > openai-integration-example-javascript@1.0.0 app
4.  > node search_app.js
6.  Connecting to Elasticsearch: https://localhost:9200
7.  Express app listening on port 3000
8.  connection success true

如上所示，咱们的 web 运用在 localhost:3000 的端口上运转。咱们能够在浏览器中进行翻开：

在 web 运用中进行语义查找

咱们的数据结构如下：

1.  {
2.      "url": "https://faq.ssa.gov/en-us/Topic/article/KA-01735",
3.      "title": "How do I get a replacement Medicare card?",
4.      "content": "If your Medicare card was lost, stolen, or destroyed, you can request a replacement online at Medicare.gov. You can print an official copy of your card from your online Medicare account or call 1-800-MEDICARE (1-800-633-4227 TTY 1-877-486-2048) to order a replacement card to be sent in the mail."
5.    },
6.    {
7.      "url": "https://faq.ssa.gov/en-us/Topic/article/KA-02713",
8.      "title": "How do I terminate my Medicare Part B (medical insurance)?",
9.      "content": "You can voluntarily terminate your Medicare Part B (Medical Insurance). However, you may need to have a personal interview with Social Security to review the risks of dropping coverage and to assist you with your request. To find out more about how to terminate Medicare Part B or to schedule a personal interview, contact us at 1-800-772-1213 (TTY: 1-800-325-0778) or visit your nearest Social Security office."
10.    },

在咱们的完成中，咱们是针对 content 这个 text 字段进行向量化的，也就是说咱们能够针对这个字段进行语义查找。

咱们测验进行如下的查找：

how much does Medicare cost?

咱们还能够进行如下的查找：

how can I terminate my Medicare?

How can I tell whether I am eligible for Medicare?