法律文件来源：https://github.com/LawRefBook/Laws
项目模板：https://github.com/supabase-community/nextjs-openai-doc-search
这个项目从 pages 目录中获取所有的 .mdx 文件，并将其处理成自定义上下文，以在OpenAI 文本自动补全提示中使用。
部署此starter到Vercel。Supabase集成将自动设置所需的环境变量并配置您的数据库概要。您只需要设置 OPENAI_KEY，然后就可以开始了！
构建您自己的自定义ChatGPT涉及四个步骤：
- [👷 构建时间] 预处理知识库（您的
pages文件夹中的.mdx文件）。 - [👷 构建时间] 在PostgreSQL中使用 pgvector 存储嵌入向量。
- [🏃 运行时] 执行向量相似性搜索，查找与问题相关的内容。
- [🏃 运行时] 将内容注入到OpenAI GPT-3文本自动补全中，并将响应流式传输到客户端。
步骤1和2发生在构建时间，例如当Vercel构建您的Next.js应用程序时。此时执行 generate-embeddings 脚本，该脚本执行以下任务：
sequenceDiagram
participant Vercel
participant DB (pgvector)
participant OpenAI (API)
loop 1. 预处理知识库
Vercel->>Vercel: 将 .mdx 页面划分为部分
loop 2. 创建并存储嵌入
Vercel->>OpenAI (API): 为页面部分创建嵌入
OpenAI (API)->>Vercel: 嵌入向量(1536)
Vercel->>DB (pgvector): 存储页面部分的嵌入
end
end
除了存储嵌入向量之外，此脚本还为每个 .mdx 文件生成一个校验和，并将其存储在另一个数据库表中，以确保仅当文件更改时才重新生成嵌入向量。
步骤3和4在运行时发生，即用户提交问题时。发生这种情况时，执行以下一系列任务：
sequenceDiagram
participant Client
participant Edge Function
participant DB (pgvector)
participant OpenAI (API)
Client->>Edge Function: { query: lorem ispum }
critical 3. 执行向量相似性搜索
Edge Function->>OpenAI (API): 为查询创建嵌入
OpenAI (API)->>Edge Function: 嵌入向量(1536)
Edge Function->>DB (pgvector): 向量相似性搜索
DB (pgvector)->>Edge Function: 相关文档内容
end
critical 4. 将内容注入到提示中
Edge Function->>OpenAI (API): 完成请求提示：查询+相关文档内容
OpenAI (API)-->>Client: text/event-stream：自动补全响应
end
此为 SearchDialog（客户端）组件和vector-search（边缘函数）负责的相关文件。
数据库的初始化，包括 pgvector 扩展的设置存储在 supabase/migrations文件夹中，并在运行 supabase start 时自动应用于本地PostgreSQL实例。
cp .env.example .env- 在新创建的
.env文件中设置OPENAI_KEY。
确保已安装并在本地运行 Docker。然后运行
supabase start在新的终端窗口中运行
pnpm dev仅需将此 starter 部署到 Vercel。Supabase集成将自动设置所需的环境变量并配置您的数据库Schema。您只需设置 OPENAI_KEY 并开始使用即可！
- 阅读我们如何建立Supabase文档的ChatGPT的博客帖子。
- [Docs] pgvector：嵌入和向量相似性函数。
- 观看Greg 关于Rabbit Hole Syndrome YouTube Channel的 "How I built this" video:
此文件由 ChatGPT 提供翻译
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent