Xata

Xata 是一个无服务器数据平台，基于 PostgreSQL 和 Elasticsearch。它提供了一个 Python SDK 用于与数据库交互，以及一个用于管理数据的 UI。通过 XataChatMessageHistory 类，您可以使用 Xata 数据库进行聊天会话的长期持久化。

本笔记本涵盖了

一个简单示例，展示 XataChatMessageHistory 的功能。
一个更复杂的示例，使用 REACT 代理，该代理根据知识库或文档（存储在 Xata 中作为向量存储）回答问题，并拥有可搜索的长期历史消息（存储在 Xata 中作为内存存储）

设置

创建数据库

在 Xata UI 中创建一个新数据库。您可以随意命名，在本笔记中我们将使用 langchain。Langchain 集成可以自动创建用于存储内存的表，这正是我们将在本示例中使用的。如果您想预先创建表，请确保其具有正确的模式，并在创建类时将 create_table 设置为 False。预先创建表可以在每次会话初始化时节省一次数据库往返。

我们首先安装依赖项

%pip install --upgrade --quiet  xata langchain-openai langchain langchain-community

接下来，我们需要获取 Xata 的环境变量。您可以通过访问账户设置创建新的 API 密钥。要查找数据库 URL，请转到您创建的数据库的“设置”页面。数据库 URL 应该看起来像这样：https://demo-uni3q8.eu-west-1.xata.sh/db/langchain。

import getpass

api_key = getpass.getpass("Xata API key: ")
db_url = input("Xata database URL (copy it from your DB settings):")

创建一个简单的内存存储

为了单独测试内存存储功能，让我们使用以下代码片段：

from langchain_community.chat_message_histories import XataChatMessageHistory

history = XataChatMessageHistory(
    session_id="session-1", api_key=api_key, db_url=db_url, table_name="memory"
)

history.add_user_message("hi!")

history.add_ai_message("whats up?")

API 参考:XataChatMessageHistory

上述代码创建了一个 ID 为 session-1 的会话，并在其中存储了两条消息。运行上述代码后，如果您访问 Xata UI，您应该会看到一个名为 memory 的表，其中添加了两条消息。

您可以使用以下代码检索特定会话的消息历史记录：

history.messages

在您的数据上使用内存的对话式问答链

现在让我们看一个更复杂的示例，其中我们结合 OpenAI、Xata 向量存储集成和 Xata 内存存储集成，在您的数据上创建一个具有后续问题和历史记录的问答聊天机器人。

我们需要访问 OpenAI API，因此我们来配置 API 密钥：

import os

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

要存储聊天机器人将搜索答案的文档，请使用 Xata UI 在 langchain 数据库中添加一个名为 docs 的表，并添加以下列：

content 类型为“Text”。这用于存储 Document.pageContent 值。
embedding 类型为“Vector”。使用您计划使用的模型所使用的维度。在本笔记本中，我们使用 OpenAI 嵌入，其维度为 1536。

让我们创建向量存储并向其中添加一些示例文档：

from langchain_community.vectorstores.xata import XataVectorStore
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

texts = [
    "Xata is a Serverless Data platform based on PostgreSQL",
    "Xata offers a built-in vector type that can be used to store and query vectors",
    "Xata includes similarity search",
]

vector_store = XataVectorStore.from_texts(
    texts, embeddings, api_key=api_key, db_url=db_url, table_name="docs"
)

API 参考:XataVectorStore | OpenAIEmbeddings

运行上述命令后，如果您进入 Xata UI，您应该会看到文档及其嵌入加载到 docs 表中。

现在让我们创建一个 ConversationBufferMemory 来存储来自用户和 AI 的聊天消息。

from uuid import uuid4

from langchain.memory import ConversationBufferMemory

chat_memory = XataChatMessageHistory(
    session_id=str(uuid4()),  # needs to be unique per user session
    api_key=api_key,
    db_url=db_url,
    table_name="memory",
)
memory = ConversationBufferMemory(
    memory_key="chat_history", chat_memory=chat_memory, return_messages=True
)

API 参考:ConversationBufferMemory

现在是时候创建一个代理来同时使用向量存储和聊天内存了。

from langchain.agents import AgentType, initialize_agent
from langchain.agents.agent_toolkits import create_retriever_tool
from langchain_openai import ChatOpenAI

tool = create_retriever_tool(
    vector_store.as_retriever(),
    "search_docs",
    "Searches and returns documents from the Xata manual. Useful when you need to answer questions about Xata.",
)
tools = [tool]

llm = ChatOpenAI(temperature=0)

agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    verbose=True,
    memory=memory,
)

API 参考:AgentType | initialize_agent | create_retriever_tool | ChatOpenAI

为了测试，我们来告诉代理我们的名字：

agent.run(input="My name is bob")

现在，我们来问代理一些关于 Xata 的问题：

agent.run(input="What is xata?")

请注意，它是根据文档存储中的数据进行回答的。现在，我们来问一个后续问题：

agent.run(input="Does it support similarity search?")

现在我们来测试它的记忆：

agent.run(input="Did I tell you my name? What is it?")

设置​

创建数据库​

创建一个简单的内存存储​

在您的数据上使用内存的对话式问答链​

设置

创建数据库

创建一个简单的内存存储

在您的数据上使用内存的对话式问答链