目录

方案流程

1. Embeddings 介绍

术语：微调 vs 嵌入

一句话理解便是：embedding model 可以将文本转换为固定长度的连续向量。

架构流程图

3、Qdrant云数据库的搭建

3.1、初识Qdrant

3.2、创建云数据库

3.3、通过curl 接口访问

4、写入测试数据

4.1、准备测试数据

4.2、调用embeddingAPI ：将测试数据转换为向量数据

将上面准备好的向量数据数组全部写入向量数据库

通过运行接口来调试一下

5、开始查询数据

5.1、将查询字符串转换为向量数据

5.2、根据向量来查询匹配相关性高的前三条记录

5.3、通过chatGPT对查询的相关性数据进行优化

5.4、调试效果

6、总结

参考资料

方案流程

  • 将本地答案数据集，转为向量存储到向量数据。
  • 当用户输入查询的问题时，把问题转为向量然后从向量数据库中查询相近的答案topK 这个时候其实就是我们最普遍的问答查询方案，在没有GPT的时候就直接返回相关的答案整个流程就结束了。
  • 现在有GPT了可以优化回答内容的整体结构，在单纯的搜索场景下其实这个优化没什么意义。但如果在客服等的聊天场景下，引用相关领域内容回复时，这样就会显得不那么的突兀。

本项目的代码全部开源, GitHub地址为: