骆驼
Camel 是一个用于构建和使用基于LLM的代理以解决现实世界任务的Python框架。
Qdrant 可作为 Camel 中的存储机制，用于摄取和检索语义上相似的数据。
与Qdrant的使用
- 使用
vector-databases额外功能安装Camel。
pip install "camel[vector-databases]"
- 配置
QdrantStorage类。
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,
)
QdrantStorage 类实现了读取和写入 Qdrant 实例的方法。现在可以将此类的实例传递给检索器，以便与您的 Qdrant 集合进行交互。
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()
- 在Camel的向量检索器中使用
QdrantStorage。
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 还提供了一个自动检索器实现，该实现处理嵌入和存储数据以及执行查询。
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)
您可以参考Camel的文档以获取有关检索机制的更多信息。