Supabase

Önkoşul

1. Supabase için bir hesap oluşturun

2. New project'e tıklayın

1. Gerekli alanları girin

Alan Adı	Açıklama
Name	Oluşturulacak projenin adı. (ör. Akış)
Database Password	Postgres veritabanınızın parolası

(FOTOĞRAF GÜNCELLENECEK)

1. Create new project'e tıklayın ve projenin kurulumunun bitmesini bekleyin

2. SQL Editor'e tıklayın.

6. New query'e tıklayın

1. Aşağıdaki SQL sorgusunu kopyalayıp yapıştırın ve çalıştırın veya ÇALIŞTIR'a tıklayın. Tablo adını ve işlev adını not alın.Ctrl + Enter

• Table name: documents

• Query name: match_documents

-- Enable the pgvector extension to work with embedding vectors
create extension vector;

-- Create a table to store your documents
create table 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 a function to search for documents
create function match_documents (
  query_embedding vector(1536),
  match_count int DEFAULT null,
  filter jsonb DEFAULT '{}'
) returns table (
  id bigint,
  content text,
  metadata jsonb,
  similarity float
)
language plpgsql
as $$
#variable_conflict use_column
begin
  return query
  select
    id,
    content,
    metadata,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding
  limit match_count;
end;
$$;

Bazı durumlarda, upsert'leri takip etmek ve tekrarları önlemek için Record Managers'ı kullanıyor olabilirsiniz. Kayıt Yöneticisi her gömme için rastgele bir UUID oluşturduğundan, id sütunu varlığını metin olarak değiştirmeniz gerekir:

-- Enable the pgvector extension to work with embedding vectors
create extension vector;

-- Create a table to store your documents
create table documents (
  id text primary key, -- CHANGE TO TEXT
  content text,
  metadata jsonb,
  embedding vector(1536)
);

-- Create a function to search for documents
create function match_documents (
  query_embedding vector(1536),
  match_count int DEFAULT null,
  filter jsonb DEFAULT '{}'
) returns table (
  id text, -- CHANGE TO TEXT
  content text,
  metadata jsonb,
  similarity float
)
language plpgsql
as $$
#variable_conflict use_column
begin
  return query
  select
    id,
    content,
    metadata,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding
  limit match_count;
end;
$$;

Kurulum

1. Project Settings'e tıklayın

1. Proje URL'nizi ve API Anahtarınızı Alın.

1. Her ayrıntıyı (API Anahtarı, URL, Tablo Adı, Sorgu Adı) kopyalayıp Supabase düğümüne yapıştırın

1. Document, Document Loaders kategorisi altındaki herhangi bir düğüme bağlanabilir

2. Embeddings, Embeddings kategorisi altındaki herhangi bir düğüme bağlanabilir

Filtreleme

Diyelim ki, her biri metadata anahtarının altında benzersiz bir değerle belirtilmiş farklı belgeleriniz var.

Belirli metadata sorgulamak için meta veri filtrelemeyi kullanabilirsiniz:

UI

UPA

"overrideConfig": {
    "supabaseMetadataFilter": {
        "source": "henry"
    }
}

Kaynaklar

• LangChain JS Supabase

• Supabase Blog Post

• Metadata Filtering