Camel#

Camel - фреймворк на языке Python для создания и использования агентов на основе больших языковых моделей (LLM) для решения реальных задач.

Vector DB доступен в качестве механизма хранения данных в Camel для загрузки и извлечения семантически схожих данных.

Использование совместно с Vector DB#

Установите Camel с дополнительным компонентом vector-databases.
```
pip install "camel[vector-databases]"
```

Настройте класс QdrantStorage.

from camel.storages import QdrantStorage, VectorDBQuery, VectorRecord
from camel.types import VectorDistance

qdrant_storage = QdrantStorage(
    url_and_api_key=(
        "https://xyz-example.eu-central.aws.cloud.qdrant.io:6333",
        "<provide-your-own-key>",
    ),
    collection_name="{collection_name}",
    distance=VectorDistance.COSINE,
    vector_dim=384,
)

Класс QdrantStorage реализует методы чтения и записи данных в экземпляр Vector DB. Экземпляр данного класса теперь можно передать ретриверам для взаимодействия с коллекциями Vector DB.

qdrant_storage.add([VectorRecord(
            vector=[-0.1, 0.1, ...],
            payload={'key1': 'value1'},
        ),
        VectorRecord(
            vector=[-0.1, 0.1, ...],
            payload={'key2': 'value2'},
        ),])

query_results = qdrant_storage.query(VectorDBQuery(query_vector=[0.1, 0.2, ...], top_k=10))
for result in query_results:
    print(result.record.payload, result.similarity)

qdrant_storage.clear()

Используйте QdrantStorage в векторном ретривере Camel.

from camel.embeddings import OpenAIEmbedding
from camel.retrievers import VectorRetriever

# Initialize the VectorRetriever with an embedding model
vr = VectorRetriever(embedding_model=OpenAIEmbedding())

content_input_path = "<URL-TO-SOME-RESOURCE>"

vr.process(content_input_path, qdrant_storage)

# Execute the query and retrieve results
results = vr.query("<SOME_USER_QUERY>", vector_storage)

Camel также предоставляет реализацию автоматического ретривера, который обрабатывает как встраивание и хранение данных, так и выполнение запросов.

from camel.retrievers import AutoRetriever
from camel.types import StorageType

ar = AutoRetriever(
    url_and_api_key=(
        "https://xyz-example.eu-central.aws.cloud.qdrant.io:6333",
        "<provide-your-own-key>",
    ),
    storage_type=StorageType.QDRANT,
)

retrieved_info = ar.run_vector_retriever(
    contents=["<URL-TO-SOME-RESOURCE>"],
    query=""<SOME_USER_QUERY>"",
    return_detailed_info=True, 
)

print(retrieved_info)

Можно обратиться к документации по Camel документации, чтобы получить дополнительную информацию о механизмах поиска информации.

Camel#

Использование совместно с Vector DB#

Дополнительная документация#