Camel
Camel 是一个 Python 框架，用于构建和使用基于 LLM 的代理来解决现实世界的任务。
Qdrant 在 Camel 中可用作存储机制，用于摄入和检索语义相似的数据。
与 Qdrant 的使用方法
- 安装 Camel，并包含
vector-databases额外依赖。
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 类实现了读写 Qdrant 实例的方法。此类的实例现在可以传递给检索器，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 Vector Retriever 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 Auto Retriever 实现，可以处理数据的嵌入、存储和查询执行。
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，了解有关检索机制的更多信息。