LangChain.js और Oracle AI Database: वेक्टर सर्च गाइड
OracleVS के साथ LangChain.js को Oracle AI Database से जोड़ें, मेटाडेटा सहित एम्बेडिंग्स स्टोर करें, और TypeScript में सिमिलैरिटी सर्च, मेटाडेटा फ़िल्टर्स, तथा MMR की तुलना करें।
एक भाषा मॉडल सामान्य प्रश्नों के उत्तर दे सकता है, लेकिन वह किसी निजी नॉलेज बेस को विश्वसनीय रूप से तब तक नहीं देख सकता जब तक एप्लिकेशन पहले प्रासंगिक जानकारी प्राप्त न कर ले। JavaScript डेवलपर्स के लिए, LangChain.js दस्तावेज़ों, एम्बेडिंग्स, और रिट्रीवल के लिए परिचित अमूर्तताएँ प्रदान करता है। कमी यह है कि प्राप्त वेक्टरों को स्टोर और सर्च करने के लिए एक स्थायी स्थान चाहिए।
Oracle AI Database यह भूमिका @oracle/langchain-oracledb इंटीग्रेशन के माध्यम से निभाता है। इस गाइड में, आप एक छोटा TypeScript वर्कफ़्लो Oracle से जोड़ेंगे, मेटाडेटा के साथ टेक्स्ट स्टोर करेंगे, सिमिलैरिटी सर्च चलाएँगे, और फ़िल्टर्स व मैक्सिमल मार्जिनल रिलिवेंस (MMR) के साथ रिट्रीवल सुधारेंगे। ट्यूटोरियल रिट्रीवल वर्कफ़्लो पर केंद्रित है; संगत TypeScript एप्लिकेशन उसी इंटीग्रेशन को एक इंटरैक्टिव ब्राउज़र UI में जोड़ता है।
LangChain.js और Oracle AI Database इंटीग्रेशन क्या है?
LangChain.js मानकीकृत करता है कि कोई एप्लिकेशन एम्बेडिंग मॉडल्स और वेक्टर स्टोर्स के साथ कैसे काम करता है। Oracle इंटीग्रेशन पैकेज OracleVS प्रदान करता है, जो एक वेक्टर-स्टोर इम्प्लीमेंटेशन है जो दस्तावेज़ टेक्स्ट, मेटाडेटा, और वेक्टर एम्बेडिंग्स को Oracle AI Database में स्थायी रूप से सहेजता है। आपका एप्लिकेशन प्रत्येक सिमिलैरिटी क्वेरी के लिए मैन्युअल SQL लिखने के बजाय LangChain.js के मेथड्स को कॉल करता है।
उसी इंटीग्रेशन पैकेज में OracleDocLoader, OracleTextSplitter, OracleEmbeddings, और OracleSummary भी शामिल हैं। ये उपयोगी वैकल्पिक बिल्डिंग ब्लॉक्स हैं; नीचे का उदाहरण OracleVS पर केंद्रित है और एम्बेडिंग जेनरेशन को अलग रखता है ताकि फ़्लो समझने में आसान रहे।
LangChain.js, OracleVS, और Oracle AI Database का उपयोग करके दस्तावेज़ इन्गेशन और रिट्रीवल
इंटीग्रेशन की प्रमुख विशेषताएँ
एम्बेडिंग्स को दस्तावेज़ मेटाडेटा के साथ स्टोर करें
एक एम्बेडिंग मॉडल टेक्स्ट को संख्यात्मक वेक्टरों में बदलता है। OracleVS इन वेक्टरों को सोर्स टेक्स्ट और संरचित मेटाडेटा के साथ स्टोर करता है। मेटाडेटा जैसे दस्तावेज़ श्रेणी या स्रोत एप्लिकेशन को उपयोगी संदर्भ खोए बिना सर्च को सीमित करने में मदद करता है।
वेक्टर सिमिलैरिटी से प्रासंगिक अनुच्छेद प्राप्त करें
क्वेरी के समय, वही एम्बेडिंग मॉडल प्रश्न को एक वेक्टर में बदल देता है। Oracle इसे स्टोर किए गए वेक्टरों से एक कॉन्फ़िगर की गई डिस्टेंस स्ट्रैटेजी, जैसे कॉसाइन डिस्टेंस, के माध्यम से तुलना करता है और निकटतम दस्तावेज़ लौटाता है। नतीजे LangChain के Document ऑब्जेक्ट ही रहते हैं, जो डाउनस्ट्रीम प्रोसेसिंग के लिए तैयार होते हैं।
फ़िल्टरिंग और MMR के साथ परिणाम नियंत्रित करें
सिमिलैरिटी सर्च यह जवाब देता है, “कौन-सी आइटम्स इस प्रश्न के सबसे करीब हैं?” मेटाडेटा फ़िल्टर पात्र दस्तावेज़ों को सीमित करता है। MMR एक अलग उद्देश्य जोड़ता है: चयनित अनुच्छेदों को प्रासंगिक रखते हुए लगभग-डुप्लिकेट परिणामों को कम करना। ये ऑपरेशन्स पूरक हैं, एक-दूसरे के विकल्प नहीं।
LangChain.js और Oracle AI Database के साथ शुरुआत करें
पूर्वापेक्षाएँ
इस TypeScript उदाहरण के लिए, आपको Node.js 24.13.0, npm 11.6.2, वेक्टर सपोर्ट के साथ एक लोकल Oracle AI Database 26ai Free इंस्टेंस, और एक ऐसा स्कीमा चाहिए जो डेमो टेबल और उसके वेक्टर इंडेक्स को बनाने, इन्सर्ट करने, क्वेरी करने और ड्रॉप करने में सक्षम हो। एम्बेडिंग उदाहरण के लिए आपको OpenAI API कुंजी भी चाहिए। OpenAIEmbeddings LangChain-संगत विकल्प है, OracleVS की अनिवार्यता नहीं।
प्राथमिक लोकल रूट के लिए, Oracle का Oracle AI Database Free क्विक स्टार्ट फॉलो करें। डेटाबेस चलने के बाद, localhost:1521/FREEPDB1 जैसी सर्विस और ऊपर सूचीबद्ध अनुमतियों वाला स्कीमा इस्तेमाल करें।
इस फ़ोल्डर में index.ts नामक फ़ाइल बनाएँ। नीचे दिए गए रन करने योग्य TypeScript स्निपेट्स को उसी फ़ाइल में, दिखाए गए क्रम में जोड़ें। प्रत्येक स्निपेट के लिए अलग फ़ाइल न बनाएँ। केवल रन करने योग्य TypeScript स्निपेट्स कॉपी करें: SQL और प्रतिनिधि-आउटपुट ब्लॉक्स व्याख्यात्मक उदाहरण हैं और इन्हें index.ts में पेस्ट नहीं करना चाहिए।
package.json की सेटिंग type=module उदाहरणों में प्रयुक्त टॉप-लेवल await की अनुमति देती है। Node.js पैकेज कॉन्फ़िगरेशन आधिकारिक Node.js पैकेज गाइड में प्रलेखित है।
Oracle इंटीग्रेशन पैकेज वेक्टर स्टोर लागू करता है, @langchain/coreDocument प्रदान करता है, @langchain/openai उदाहरण एम्बेडिंग मॉडल देता है, और oracledb डेटाबेस कनेक्शन मैनेज करता है। ऊपर दी गई वर्ज़न संगत एप्लिकेशन से मेल खाती हैं; tsx TypeScript उदाहरण को बिना अलग बिल्ड स्टेप के सीधे चलाता है।
कनेक्शन कॉन्फ़िगर करें
ORACLE_USER=your_schema
ORACLE_PASSWORD=your_password
ORACLE_CONNECT_STRING=localhost:1521/FREEPDB1
OPENAI_API_KEY=your_api_keyसंचालित द्वारा
इन मानों को लोकल .env फ़ाइल में सहेजें और .gitignore में .env जोड़ें। यह लेख लोकल Oracle AI Database Free को प्राथमिक सेटअप मानता है ताकि चरण पुन:उत्पाद्य रहें। Autonomous AI Database भी मान्य डिप्लॉयमेंट विकल्प है, लेकिन उसके लिए उस वातावरण का सर्विस डिस्क्रिप्टर और वॉलेट या TLS कॉन्फ़िगरेशन चाहिए।
पूल OracleVS को डेटाबेस सेशंस पुन: उपयोग करने देता है। सभी इन्गेशन, रिट्रीवल, और वैरिफिकेशन स्टेटमेंट्स को try ब्लॉक के अंदर रखें। अगला कोड ब्लॉक उस ब्लॉक की शुरुआत करता है, और बाद के स्निपेट्स उसे जारी रखते हैं। पूल केवल नीचे दिए गए क्लीनअप सेक्शन में वैरिफिकेशन के बाद बंद होता है। सर्वर एप्लिकेशन में, हर यूज़र रिक्वेस्ट के लिए नया कनेक्शन खोलने के बजाय पूल को एक बार इनिशियलाइज़ करें और ग्रेसफुल शटडाउन के दौरान बंद करें।
LangChain.js के साथ डॉक्यूमेंट सर्च कैसे बनाएँ
हम 10 छोटे नॉलेज-बेस नोट्स का उपयोग करेंगे, जिनमें ओवरलैपिंग रिट्रीवल अनुच्छेद शामिल हैं। कॉर्पस जानबूझकर छोटा है, लेकिन इससे साधारण सिमिलैरिटी सर्च की तुलना मेटाडेटा फ़िल्टरिंग और MMR से करना संभव हो जाता है।
अपने नॉलेज डॉक्यूमेंट परिभाषित करें
try{const documents =[["database-guide","database","Oracle AI Database stores vector embeddings alongside application data."],["connection-pooling","operations","A connection pool reuses Oracle database sessions across requests."],["vector-indexes","performance","HNSW vector indexes can improve nearest-neighbor search as a table grows."],["metadata-filtering","retrieval","Metadata filters restrict retrieval to matching categories or sources."],["similarity-search","retrieval","Similarity search returns chunks closest to the query embedding."],["mmr-retrieval","retrieval","MMR reduces repeated content while keeping results relevant."],["retrieval-overlap-1","retrieval","Similarity search may return several near-duplicate passages when multiple notes explain the same retrieval strategy."],["retrieval-overlap-2","retrieval","Several notes about the same retrieval strategy can produce repetitive top matches; MMR selects a more diverse set while preserving relevance."],["troubleshooting","troubleshooting","For empty results, check ingestion, embeddings, and filters."],["embedding-compatibility","retrieval","Ingestion and query retrieval must use compatible dimensions."],].map(([source, category, pageContent])=>newDocument({ pageContent, metadata:{ source, category }}));संचालित द्वारा
प्रत्येक Document में pageContent और metadata होता है। source और category फ़ील्ड दस्तावेज़ के साथ इन्गेशन और रिट्रीवल में आगे तक चलते हैं, ताकि एप्लिकेशन यह बता सके कि परिणाम कहाँ से आया है और सर्च को प्रासंगिक उपसमूह तक सीमित कर सके।
एम्बेडिंग्स कॉन्फ़िगर करें और OracleVS बनाएँ
const embeddings =newOpenAIEmbeddings({
model:"text-embedding-3-small",});const vectorStore =await OracleVS.fromDocuments(documents, embeddings,{
client: pool,
tableName:"LC_JS_RAG_DEMO",
query:"Oracle AI Database document search",
distanceStrategy: DistanceStrategy.COSINE,
format: VectorElementFormat.FLOAT32,});संचालित द्वारा
OracleVS.fromDocuments() केंद्रीय इंटीग्रेशन कॉल है। यह वेक्टर स्टोर को इनिशियलाइज़ करता है, दिए गए दस्तावेज़ों के लिए एम्बेडिंग्स जनरेट करता है, और उनका कंटेंट, वेक्टर, तथा मेटाडेटा Oracle AI Database में स्टोर करता है।
query पैरामीटर इनिशियलाइज़ेशन के दौरान एम्बेड किया जाने वाला सैंपल टेक्स्ट देता है ताकि डेटाबेस टेबल के लिए आवश्यक वेक्टर डायमेंशन तय किया जा सके। इसका उपयोग स्टोर किए गए दस्तावेज़ों को सर्च करने के लिए नहीं होता। DistanceStrategy.COSINE वेक्टर डिस्टेंस मेट्रिक निर्धारित करता है, जबकि VectorElementFormat.FLOAT32 वेक्टर एलिमेंट फ़ॉर्मेट सेट करता है।
इन्गेशन को फिर से चलाने से पहले, डुप्लिकेट दस्तावेज़ डालने से बचने के लिए एक नया डेमो टेबल नाम उपयोग करें या मौजूदा डेटा साफ़ करें।
OracleVS LangChain-संगत एम्बेडिंग इम्प्लीमेंटेशन स्वीकार करता है, जिससे डेवलपर्स बिना समग्र वेक्टर-स्टोर वर्कफ़्लो बदले एम्बेडिंग प्रदाताओं को स्विच कर सकते हैं। हालांकि, इन्गेशन और रिट्रीवल के लिए प्रयुक्त एम्बेडिंग्स Oracle वेक्टर कॉलम के साथ संगत रहनी चाहिए।
OracleVS कॉन्फ़िगर किए गए एम्बेडिंग मॉडल का उपयोग करते हुए इनिशियलाइज़ेशन के दौरान वेक्टर डायमेंशन निर्धारित करता है। Oracle AI Database में पहले से स्टोर किए गए किसी वेक्टर के डायमेंशन और स्टोरेज फ़ॉर्मेट का निरीक्षण करने के लिए, निम्न SQL क्वेरी चलाएँ:
SELECT
VECTOR_DIMENSION_COUNT(embedding)AS vector_dimensions,
VECTOR_DIMENSION_FORMAT(embedding)AS vector_format
FROM LC_JS_RAG_DEMO
FETCHFIRST1ROW ONLY;संचालित द्वारा
यदि आप किसी भिन्न डायमेंशन वाले एम्बेडिंग मॉडल पर स्विच करते हैं, तो एक संगत वेक्टर टेबल बनाएँ और दस्तावेज़ एम्बेडिंग्स को पुन:जनरेट करें। भले ही दो मॉडल समान डायमेंशन के वेक्टर बनाते हों, उनके एम्बेडिंग स्पेस अलग हो सकते हैं, इसलिए नए मॉडल से रिट्रीवल करने से पहले मौजूदा दस्तावेज़ों को पुन: एम्बेड करना चाहिए।
उदाहरण के लिए, निम्न कॉल OracleVS वेक्टर स्टोर से 3 सबसे नज़दीकी दस्तावेज़ माँगता है और प्रत्येक हिस्से के टेक्स्ट के साथ सोर्स मेटाडेटा प्रिंट करता है:
const retrievalQuestion ="How can vector retrieval reduce repetitive results?";const results =await vectorStore.similaritySearch(
retrievalQuestion,3);console.log(results.map((doc)=>({
source: doc.metadata.source,
text: doc.pageContent,})));संचालित द्वारा
कोड प्रत्येक LangChain Document को प्रदर्शन हेतु उसके source और pageContent युक्त एक सादा ऑब्जेक्ट में मैप करता है। नीचे एक प्रतिनिधि आउटपुट दिखाया गया है; सटीक क्रम एम्बेडिंग मॉडल और क्वेरी के साथ बदल सकता है:
[
{ source: "retrieval-overlap-2", text: "Several notes about the same retrieval strategy can produce repetitive top matches; MMR selects a more diverse set while preserving relevance." },
{ source: "retrieval-overlap-1", text: "Similarity search may return several near-duplicate passages when multiple notes explain the same retrieval strategy." },
{ source: "mmr-retrieval", text: "MMR reduces repeated content while keeping results relevant." }
]संचालित द्वारा
पहला आर्ग्युमेंट यूज़र प्रश्न है, और दूसरा k है, यानी प्राप्त करने के लिए दस्तावेज़ों की अधिकतम संख्या। LangChain.js कॉन्फ़िगर किए गए एम्बेडिंग मॉडल से प्रश्न को वेक्टर में बदलता है, और Oracle AI Database सबसे निकट मिलते-जुलते दस्तावेज़ खोजने के लिए सिमिलैरिटी सर्च करता है।
यदि सर्च शर्तों और मेटाडेटा फ़िल्टर्स लागू करने के बाद k से कम दस्तावेज़ उपलब्ध हों, तो मेथड केवल उपलब्ध परिणाम लौटाता है। प्राप्त Document ऑब्जेक्ट्स में टेक्स्ट और मेटाडेटा होता है जिसे स्रोत एट्रिब्यूशन के साथ दिखाया जा सकता है या आगे के उत्तर-जनरेशन चरण को पास किया जा सकता है।
रिट्रीवल स्कोर जाँचें
उदाहरण के लिए, जब आप प्रत्येक प्राप्त दस्तावेज़ से संबंधित डिस्टेंस देखना चाहते हैं तो similaritySearchWithScore का उपयोग करें:
const scored =await vectorStore.similaritySearchWithScore("Where are document embeddings stored?",3);for(const[doc, score]of scored){console.log({
text: doc.pageContent,
source: doc.metadata.source,
score,});}संचालित द्वारा
similaritySearchWithScore प्रत्येक मैच के साथ एक डिस्टेंस लौटाता है। इसका संख्यात्मक मान और दिशा कॉन्फ़िगर की गई डिस्टेंस स्ट्रैटेजी पर निर्भर करती है, इसलिए यह कोई सार्वभौमिक कॉन्फिडेंस प्रतिशत नहीं है। स्कोर की तुलना केवल तब करें जब आप एक ही एम्बेडिंग मॉडल और डिस्टेंस स्ट्रैटेजी उपयोग कर रहे हों, और थ्रेशहोल्ड चुनने से पहले प्राप्त अनुच्छेद का निरीक्षण करें।
मेटाडेटा फ़िल्टर्स के साथ परिणाम सीमित करें
const databaseOnly =await vectorStore.similaritySearch("Where are vector embeddings stored?",3,{ category:{ $eq:"database"}});console.log(databaseOnly.map((doc)=> doc.metadata.source));संचालित द्वारा
तीसरा आर्ग्युमेंट सर्च को उन आइटम्स तक सीमित करता है जिनका category = database है। इस कॉर्पस में, अनुमानित फिल्टर्ड परिणाम ["database-guide"] है। फ़िल्टर यह बदलता है कि कौन-से दस्तावेज़ पात्र हैं; वेक्टर सिमिलैरिटी अब भी पात्र दस्तावेज़ों का क्रम निर्धारण करती है।
दोहराव कम करने के लिए MMR का उपयोग करें
const diverse =await vectorStore.maxMarginalRelevanceSearch(
retrievalQuestion,{
k:3,
fetchK:6,
lambda:0.5,});console.log(diverse.map((doc)=> doc.metadata.source));संचालित द्वारा
ओवरलैपिंग कॉर्पस से प्रतिनिधि आउटपुट (एम्बेडिंग मॉडल और रन के अनुसार क्रम बदल सकता है):
["retrieval-overlap-2", "mmr-retrieval", "metadata-filtering"]संचालित द्वारा
MMR पहले एक कैंडिडेट पूल (fetchK) पर विचार करता है और फिर क्वेरी रिलिवेंस व विविधता के बीच संतुलन बनाकर k दस्तावेज़ चुनता है। कम lambda अधिक विविधता पर जोर देता है; अधिक मान रिलिवेंस पर जोर देता है। ऊपर दिए गए ओवरलैपिंग कॉर्पस के साथ, चयनित स्रोत साधारण सिमिलैरिटी सर्च से अलग हो सकते हैं, जिससे रिट्रीवल का ट्रेड-ऑफ स्पष्ट दिखता है।
यह LangChain.js रिट्रीवल और बड़े भाषा मॉडल (LLM) कॉल के बीच हैंडऑफ़ पॉइंट है: एप्लिकेशन के पास एक प्रश्न और जाँचे जाने योग्य साक्ष्य मौजूद हैं, जो मॉडल से उस संदर्भ से उत्तर देने के लिए तैयार प्रॉम्प्ट हेतु उपयुक्त हैं।
रिट्रीवल और जेनरेशन अलग-अलग ज़िम्मेदारियाँ हैं। इस बिंदु पर, context एक सादा टेक्स्ट स्ट्रिंग है जिसे कोई चैट मॉडल ग्रहण कर सकता है। अब आप मॉडल को यह निर्देश देते हुए इसे दे सकते हैं कि वह केवल प्राप्त सामग्री से उत्तर दे और स्रोत पहचानकर्ताओं का उल्लेख करे। डेटाबेस इंटीग्रेशन स्वयं बिना चैट मॉडल के भी काम करता है।
इंटीग्रेशन कैसे सत्यापित करें
एक उपयोगी वैलिडेशन इन्गेशन और प्रत्येक रिट्रीवल स्ट्रैटेजी को अलग-अलग जाँचता है। पहले, सुनिश्चित करें कि वेक्टर स्टोर किसी डेटाबेस त्रुटि के बिना बनाया गया था। फिर सिमिलैरिटी सर्च, फिल्टर्ड परिणाम, और MMR परिणाम से लौटे सोर्स मेटाडेटा का निरीक्षण करें।
const check =await vectorStore.similaritySearch("How does OracleVS connect to LangChain.js?",3);if(check.length ===0){thrownewError("No documents retrieved; inspect ingestion and filters.");}console.log({
similarity: check.map((doc)=> doc.metadata.source),
filtered: databaseOnly.map((doc)=> doc.metadata.source),
mmr: diverse.map((doc)=> doc.metadata.source),});संचालित द्वारा
क्लीनअप केवल इन्गेशन, रिट्रीवल, और वैरिफिकेशन के पूरा होने के बाद चलता है। ड्रेन समय उपयोग में चल रहे कनेक्शनों को पूरा करने के लिए एक छोटा विंडो देता है। किसी लंबे समय तक चलने वाले सर्वर में, ग्रेसफुल शटडाउन तक पूल को खुला रखें। जीवनचक्र विवरण के लिए node-oracledb pool.close() दस्तावेज़ीकरण देखें।
इस बिंदु पर, पूरी index.ts फ़ाइल को इस प्रकार चलाया जा सकता है:
सटीक सिमिलैरिटी क्रम और डिस्टेंस मान एम्बेडिंग मॉडल और प्रदाता के साथ बदल सकते हैं। फिल्टर्ड परिणाम में database-guide होना चाहिए, जबकि MMR परिणाम में ओवरलैपिंग कॉर्पस से विभिन्न रिट्रीवल स्रोत दिखने चाहिए।
टिप्स और ट्रबलशूटिंग
डेटाबेस कनेक्शन विफल हो जाता है
कनेक्शन स्ट्रिंग, क्रेडेंशियल्स, पहुँच योग्य सर्विस, और स्कीमा प्रिविलेज़ सत्यापित करें। यदि आप Autonomous AI Database का उपयोग करते हैं, तो उसका आवश्यक वॉलेट या TLS सेटअप सुनिश्चित करें। रिट्रीवल को डिबग करने से पहले डेटाबेस कनेक्शन को स्वतंत्र रूप से परखें।
एम्बेडिंग डायमेंशन मिसमैच होता है
इन्गेशन के दौरान बनाए गए वेक्टर और क्वेरी वेक्टर संगत डायमेंशन्स का उपयोग करें। इन्सर्ट्स और क्वेरी के लिए अलग-अलग एम्बेडिंग मॉडल का उपयोग सर्च को बिगाड़ सकता है या परिणामों को घटिया बना सकता है। किसी टेबल के लिए मॉडल चयन सुसंगत रखें।
सर्च में कोई दस्तावेज़ वापस नहीं आता
सुनिश्चित करें कि इन्गेशन ने पंक्तियाँ इन्सर्ट की हैं, फिर प्रतिबंधात्मक मेटाडेटा फ़िल्टर्स के बिना पुनः प्रयास करें। छोटे कॉर्पस के लिए, व्यापक क्वेरी प्रयोग करें और स्टोर की गई सामग्री का निरीक्षण करें।
परिणाम प्रासंगिक हैं पर दोहरावदार
ओवरलैपिंग हिस्सों वाले कॉर्पस पर MMR के विरुद्ध सिमिलैरिटी सर्च की तुलना करें। जाँचते हुए k, fetchK, और lambda ट्यून करें कि कहीं विविधता महत्वपूर्ण अनुच्छेदों को छोड़ने की कीमत पर तो नहीं आ रही।
क्या आपको वेक्टर इंडेक्स बनाना चाहिए?
छोटे सैंपल डेटासेट के लिए, इंडेक्सिंग ट्यूनिंग के बिना पहले शुद्धता की वैलिडेशन से शुरुआत करें। डेटा बढ़ने पर, अपनी परफ़ॉर्मेंस और सटीकता आवश्यकताओं के आधार पर Oracle के वेक्टर इंडेक्स जैसे Hierarchical Navigable Small World (HNSW) या Inverted File (IVF) इंडेक्स का मूल्यांकन करें। इंडेक्स क्रिएशन एक ऑप्टिमाइज़ेशन है, बुनियादी इंटीग्रेशन समझने के लिए पूर्वापेक्षा नहीं।
Oracle वेक्टर इंडेक्स के बारे में अधिक जानकारी के लिए, Oracle का वेक्टर इंडेक्स दस्तावेज़ देखें।
TypeScript से निर्मित, एप्लिकेशन LangChain.js और Oracle AI Database का उपयोग करके डॉक्यूमेंट इन्गेशन, वेक्टर स्टोरेज, सिमिलैरिटी सर्च, मेटाडेटा फ़िल्टरिंग, और MMR को एक साथ लाता है। यह रिट्रीवल सेटिंग्स के साथ प्रयोग करने, प्राप्त दस्तावेज़ों का निरीक्षण करने, और यह समझने के लिए एक इंटरैक्टिव इंटरफ़ेस भी प्रदान करता है कि विभिन्न सर्च स्ट्रैटेजीज़ एप्लिकेशन को लौटाए गए संदर्भ को कैसे प्रभावित करती हैं।
रिपॉज़िटरी में सोर्स कोड और सेटअप निर्देश शामिल हैं, जिससे आप पूरी इंटीग्रेशन एक्सप्लोर कर सकते हैं और अपने स्वयं के प्रोजेक्ट्स के लिए इम्प्लीमेंटेशन को अनुकूलित कर सकते हैं।
निष्कर्ष और अगले कदम
आपने OracleVS के माध्यम से LangChain.js को Oracle AI Database से जोड़ा, ज्ञान को Document ऑब्जेक्ट्स के रूप में प्रस्तुत किया, स्थायी वेक्टर एम्बेडिंग्स बनाईं, और सिमिलैरिटी सर्च, मेटाडेटा फ़िल्टरिंग, तथा MMR की तुलना की। अगले चरण के लिए आधिकारिक LangChain.js दस्तावेज़ और आधिकारिक Oracle LangChain JavaScript इंटीग्रेशन गाइड पढ़ें।
हमारा Retrieval Augmented Generation (RAG) with LangChain कोर्स एक वैकल्पिक रिट्रीवल-केंद्रित फॉलो-अप है; इसके उदाहरण Python में हैं, लेकिन वर्कफ़्लो अवधारणाएँ इस TypeScript इम्प्लीमेंटेशन पर भी लागू होती हैं।
FAQs
यदि मैं दस्तावेज़ स्टोर करने के बाद एम्बेडिंग मॉडल बदल दूँ तो क्या होगा?⌄
Oracle वेक्टर टेबल में स्टोर की गई एम्बेडिंग्स उन एम्बेडिंग्स के साथ संगत होनी चाहिए जो सर्च के लिए उपयोग होती हैं। मॉडल बदलने से वेक्टर डायमेंशन्स और वेक्टर कॉर्डिनेट्स के अर्थ दोनों बदल सकते हैं, इसलिए एम्बेडिंग मॉडल बदलने पर दस्तावेज़ों को पुनः एम्बेड और पुनः इंडेक्स करें। दस्तावेज़ इन्गेशन और क्वेरी रिट्रीवल के लिए एक ही एम्बेडिंग कॉन्फ़िगरेशन का उपयोग करें।
OracleVS का उपयोग करने के लिए क्या मुझे चैट मॉडल चाहिए?⌄
नहीं। वेक्टर-स्टोर वर्कफ़्लो में इन्गेशन और क्वेरी के लिए एम्बेडिंग मॉडल आवश्यक है। चैट मॉडल वैकल्पिक है और आमतौर पर तब जोड़ा जाता है जब प्राप्त अनुच्छेदों को प्राकृतिक-भाषा उत्तर में बदलना हो।
क्या मैं OpenAI के अलावा कोई अन्य एम्बेडिंग प्रदाता उपयोग कर सकता/सकती हूँ?⌄
हाँ। OracleVS एक संगत LangChain एम्बेडिंग इम्प्लीमेंटेशन स्वीकार करता है। अपनी आवश्यकताओं के अनुरूप प्रदाता चुनें और दस्तावेज़ों व क्वेरी के लिए वही संगत एम्बेडिंग सेटअप उपयोग करें।
वेक्टर सिमिलैरिटी के साथ मेटाडेटा फ़िल्टरिंग क्यों उपयोग करें?⌄
वेक्टर सिमिलैरिटी सैमान्यिक रूप से निकट कंटेंट ढूँढती है; मेटाडेटा फ़िल्टरिंग यह सीमित करती है कि कौन-सा कंटेंट लौटाया जा सकता है, जैसे किसी विशेष श्रेणी या स्रोत के दस्तावेज़।
मुझे साधारण सिमिलैरिटी सर्च के बजाय कब MMR चुनना चाहिए?⌄
जब शीर्ष मैचों में दोहरावदार अनुच्छेद हों और एप्लिकेशन को अधिक विविध साक्ष्य से लाभ हो, तब MMR सहायक होता है। जब सबसे नज़दीकी पड़ोसी ही प्राथमिक उद्देश्य हों, तब साधारण सिमिलैरिटी सर्च सरल रहती है।
लेखक
Daniela Pavlenco
मैं Oracle में डेवलपर एडवोकेट हूँ, और डेवलपर्स को एआई तकनीकों की खोज करने तथा आधुनिक टूल्स और फ्रेमवर्क्स के साथ व्यावहारिक एप्लिकेशन बनाने में मदद करने पर केंद्रित हूँ। मेरे काम में तकनीकी सामग्री बनाना, हैंड्स-ऑन उदाहरण तैयार करना, और ऐसे डेवलपर संसाधन उपलब्ध कराना शामिल है जो जटिल अवधारणाओं को समझना आसान बनाते हैं और उन्हें वास्तविक प्रोजेक्ट्स में लागू करने में मदद करते हैं।
एक भाषा मॉडल सामान्य प्रश्नों के उत्तर दे सकता है, लेकिन वह किसी निजी नॉलेज बेस को विश्वसनीय रूप से तब तक नहीं देख सकता जब तक एप्लिकेशन पहले प्रासंगिक जानकारी प्राप्त न कर ले। JavaScript डेवलपर्स के लिए, LangChain.js दस्तावेज़ों, एम्बेडिंग्स, और रिट्रीवल के लिए परिचित अमूर्तताएँ प्रदान करता है। कमी यह है कि प्राप्त वेक्टरों को स्टोर और सर्च करने के लिए एक स्थायी स्थान चाहिए।
Oracle AI Database यह भूमिका
@oracle/langchain-oracledbइंटीग्रेशन के माध्यम से निभाता है। इस गाइड में, आप एक छोटा TypeScript वर्कफ़्लो Oracle से जोड़ेंगे, मेटाडेटा के साथ टेक्स्ट स्टोर करेंगे, सिमिलैरिटी सर्च चलाएँगे, और फ़िल्टर्स व मैक्सिमल मार्जिनल रिलिवेंस (MMR) के साथ रिट्रीवल सुधारेंगे। ट्यूटोरियल रिट्रीवल वर्कफ़्लो पर केंद्रित है; संगत TypeScript एप्लिकेशन उसी इंटीग्रेशन को एक इंटरैक्टिव ब्राउज़र UI में जोड़ता है।इंटीग्रेशन के विवरण के लिए, आधिकारिक Oracle LangChain JavaScript इंटीग्रेशन गाइड देखें।
LangChain.js और Oracle AI Database इंटीग्रेशन क्या है?
LangChain.js मानकीकृत करता है कि कोई एप्लिकेशन एम्बेडिंग मॉडल्स और वेक्टर स्टोर्स के साथ कैसे काम करता है। Oracle इंटीग्रेशन पैकेज
OracleVSप्रदान करता है, जो एक वेक्टर-स्टोर इम्प्लीमेंटेशन है जो दस्तावेज़ टेक्स्ट, मेटाडेटा, और वेक्टर एम्बेडिंग्स को Oracle AI Database में स्थायी रूप से सहेजता है। आपका एप्लिकेशन प्रत्येक सिमिलैरिटी क्वेरी के लिए मैन्युअल SQL लिखने के बजाय LangChain.js के मेथड्स को कॉल करता है।उसी इंटीग्रेशन पैकेज में
OracleDocLoader,OracleTextSplitter,OracleEmbeddings, औरOracleSummaryभी शामिल हैं। ये उपयोगी वैकल्पिक बिल्डिंग ब्लॉक्स हैं; नीचे का उदाहरणOracleVSपर केंद्रित है और एम्बेडिंग जेनरेशन को अलग रखता है ताकि फ़्लो समझने में आसान रहे।LangChain.js, OracleVS, और Oracle AI Database का उपयोग करके दस्तावेज़ इन्गेशन और रिट्रीवल
इंटीग्रेशन की प्रमुख विशेषताएँ
एम्बेडिंग्स को दस्तावेज़ मेटाडेटा के साथ स्टोर करें
एक एम्बेडिंग मॉडल टेक्स्ट को संख्यात्मक वेक्टरों में बदलता है।
OracleVSइन वेक्टरों को सोर्स टेक्स्ट और संरचित मेटाडेटा के साथ स्टोर करता है। मेटाडेटा जैसे दस्तावेज़ श्रेणी या स्रोत एप्लिकेशन को उपयोगी संदर्भ खोए बिना सर्च को सीमित करने में मदद करता है।वेक्टर सिमिलैरिटी से प्रासंगिक अनुच्छेद प्राप्त करें
क्वेरी के समय, वही एम्बेडिंग मॉडल प्रश्न को एक वेक्टर में बदल देता है। Oracle इसे स्टोर किए गए वेक्टरों से एक कॉन्फ़िगर की गई डिस्टेंस स्ट्रैटेजी, जैसे कॉसाइन डिस्टेंस, के माध्यम से तुलना करता है और निकटतम दस्तावेज़ लौटाता है। नतीजे LangChain के
Documentऑब्जेक्ट ही रहते हैं, जो डाउनस्ट्रीम प्रोसेसिंग के लिए तैयार होते हैं।फ़िल्टरिंग और MMR के साथ परिणाम नियंत्रित करें
सिमिलैरिटी सर्च यह जवाब देता है, “कौन-सी आइटम्स इस प्रश्न के सबसे करीब हैं?” मेटाडेटा फ़िल्टर पात्र दस्तावेज़ों को सीमित करता है। MMR एक अलग उद्देश्य जोड़ता है: चयनित अनुच्छेदों को प्रासंगिक रखते हुए लगभग-डुप्लिकेट परिणामों को कम करना। ये ऑपरेशन्स पूरक हैं, एक-दूसरे के विकल्प नहीं।
LangChain.js और Oracle AI Database के साथ शुरुआत करें
पूर्वापेक्षाएँ
इस TypeScript उदाहरण के लिए, आपको Node.js 24.13.0, npm 11.6.2, वेक्टर सपोर्ट के साथ एक लोकल Oracle AI Database 26ai Free इंस्टेंस, और एक ऐसा स्कीमा चाहिए जो डेमो टेबल और उसके वेक्टर इंडेक्स को बनाने, इन्सर्ट करने, क्वेरी करने और ड्रॉप करने में सक्षम हो। एम्बेडिंग उदाहरण के लिए आपको OpenAI API कुंजी भी चाहिए।
OpenAIEmbeddingsLangChain-संगत विकल्प है,OracleVSकी अनिवार्यता नहीं।Node.js को आधिकारिक Node.js डाउनलोड पेज से इंस्टॉल करें।
प्राथमिक लोकल रूट के लिए, Oracle का Oracle AI Database Free क्विक स्टार्ट फॉलो करें। डेटाबेस चलने के बाद,
localhost:1521/FREEPDB1जैसी सर्विस और ऊपर सूचीबद्ध अनुमतियों वाला स्कीमा इस्तेमाल करें।एक TypeScript प्रोजेक्ट बनाएँ
इस फ़ोल्डर में
index.tsनामक फ़ाइल बनाएँ। नीचे दिए गए रन करने योग्य TypeScript स्निपेट्स को उसी फ़ाइल में, दिखाए गए क्रम में जोड़ें। प्रत्येक स्निपेट के लिए अलग फ़ाइल न बनाएँ। केवल रन करने योग्य TypeScript स्निपेट्स कॉपी करें: SQL और प्रतिनिधि-आउटपुट ब्लॉक्स व्याख्यात्मक उदाहरण हैं और इन्हेंindex.tsमें पेस्ट नहीं करना चाहिए।package.jsonकी सेटिंगtype=moduleउदाहरणों में प्रयुक्त टॉप-लेवलawaitकी अनुमति देती है। Node.js पैकेज कॉन्फ़िगरेशन आधिकारिक Node.js पैकेज गाइड में प्रलेखित है।Oracle इंटीग्रेशन पैकेज वेक्टर स्टोर लागू करता है,
@langchain/coreDocumentप्रदान करता है,@langchain/openaiउदाहरण एम्बेडिंग मॉडल देता है, औरoracledbडेटाबेस कनेक्शन मैनेज करता है। ऊपर दी गई वर्ज़न संगत एप्लिकेशन से मेल खाती हैं;tsxTypeScript उदाहरण को बिना अलग बिल्ड स्टेप के सीधे चलाता है।कनेक्शन कॉन्फ़िगर करें
इन मानों को लोकल
.envफ़ाइल में सहेजें और.gitignoreमें.envजोड़ें। यह लेख लोकल Oracle AI Database Free को प्राथमिक सेटअप मानता है ताकि चरण पुन:उत्पाद्य रहें। Autonomous AI Database भी मान्य डिप्लॉयमेंट विकल्प है, लेकिन उसके लिए उस वातावरण का सर्विस डिस्क्रिप्टर और वॉलेट या TLS कॉन्फ़िगरेशन चाहिए।पूल
OracleVSको डेटाबेस सेशंस पुन: उपयोग करने देता है। सभी इन्गेशन, रिट्रीवल, और वैरिफिकेशन स्टेटमेंट्स कोtryब्लॉक के अंदर रखें। अगला कोड ब्लॉक उस ब्लॉक की शुरुआत करता है, और बाद के स्निपेट्स उसे जारी रखते हैं। पूल केवल नीचे दिए गए क्लीनअप सेक्शन में वैरिफिकेशन के बाद बंद होता है। सर्वर एप्लिकेशन में, हर यूज़र रिक्वेस्ट के लिए नया कनेक्शन खोलने के बजाय पूल को एक बार इनिशियलाइज़ करें और ग्रेसफुल शटडाउन के दौरान बंद करें।LangChain.js के साथ डॉक्यूमेंट सर्च कैसे बनाएँ
हम 10 छोटे नॉलेज-बेस नोट्स का उपयोग करेंगे, जिनमें ओवरलैपिंग रिट्रीवल अनुच्छेद शामिल हैं। कॉर्पस जानबूझकर छोटा है, लेकिन इससे साधारण सिमिलैरिटी सर्च की तुलना मेटाडेटा फ़िल्टरिंग और MMR से करना संभव हो जाता है।
अपने नॉलेज डॉक्यूमेंट परिभाषित करें
प्रत्येक
DocumentमेंpageContentऔरmetadataहोता है।sourceऔरcategoryफ़ील्ड दस्तावेज़ के साथ इन्गेशन और रिट्रीवल में आगे तक चलते हैं, ताकि एप्लिकेशन यह बता सके कि परिणाम कहाँ से आया है और सर्च को प्रासंगिक उपसमूह तक सीमित कर सके।एम्बेडिंग्स कॉन्फ़िगर करें और OracleVS बनाएँ
OracleVS.fromDocuments()केंद्रीय इंटीग्रेशन कॉल है। यह वेक्टर स्टोर को इनिशियलाइज़ करता है, दिए गए दस्तावेज़ों के लिए एम्बेडिंग्स जनरेट करता है, और उनका कंटेंट, वेक्टर, तथा मेटाडेटा Oracle AI Database में स्टोर करता है।queryपैरामीटर इनिशियलाइज़ेशन के दौरान एम्बेड किया जाने वाला सैंपल टेक्स्ट देता है ताकि डेटाबेस टेबल के लिए आवश्यक वेक्टर डायमेंशन तय किया जा सके। इसका उपयोग स्टोर किए गए दस्तावेज़ों को सर्च करने के लिए नहीं होता।DistanceStrategy.COSINEवेक्टर डिस्टेंस मेट्रिक निर्धारित करता है, जबकिVectorElementFormat.FLOAT32वेक्टर एलिमेंट फ़ॉर्मेट सेट करता है।इन्गेशन को फिर से चलाने से पहले, डुप्लिकेट दस्तावेज़ डालने से बचने के लिए एक नया डेमो टेबल नाम उपयोग करें या मौजूदा डेटा साफ़ करें।
OracleVSLangChain-संगत एम्बेडिंग इम्प्लीमेंटेशन स्वीकार करता है, जिससे डेवलपर्स बिना समग्र वेक्टर-स्टोर वर्कफ़्लो बदले एम्बेडिंग प्रदाताओं को स्विच कर सकते हैं। हालांकि, इन्गेशन और रिट्रीवल के लिए प्रयुक्त एम्बेडिंग्स Oracle वेक्टर कॉलम के साथ संगत रहनी चाहिए।OracleVSकॉन्फ़िगर किए गए एम्बेडिंग मॉडल का उपयोग करते हुए इनिशियलाइज़ेशन के दौरान वेक्टर डायमेंशन निर्धारित करता है। Oracle AI Database में पहले से स्टोर किए गए किसी वेक्टर के डायमेंशन और स्टोरेज फ़ॉर्मेट का निरीक्षण करने के लिए, निम्न SQL क्वेरी चलाएँ:यदि आप किसी भिन्न डायमेंशन वाले एम्बेडिंग मॉडल पर स्विच करते हैं, तो एक संगत वेक्टर टेबल बनाएँ और दस्तावेज़ एम्बेडिंग्स को पुन:जनरेट करें। भले ही दो मॉडल समान डायमेंशन के वेक्टर बनाते हों, उनके एम्बेडिंग स्पेस अलग हो सकते हैं, इसलिए नए मॉडल से रिट्रीवल करने से पहले मौजूदा दस्तावेज़ों को पुन: एम्बेड करना चाहिए।
वेक्टर-स्टोर मेथड सिग्नेचर्स और रिट्रीवल विकल्पों के लिए आधिकारिक LangChain.js VectorStore संदर्भ देखें।
सिमिलैरिटी सर्च से दस्तावेज़ प्राप्त करें
उदाहरण के लिए, निम्न कॉल
OracleVSवेक्टर स्टोर से 3 सबसे नज़दीकी दस्तावेज़ माँगता है और प्रत्येक हिस्से के टेक्स्ट के साथ सोर्स मेटाडेटा प्रिंट करता है:कोड प्रत्येक LangChain
Documentको प्रदर्शन हेतु उसकेsourceऔरpageContentयुक्त एक सादा ऑब्जेक्ट में मैप करता है। नीचे एक प्रतिनिधि आउटपुट दिखाया गया है; सटीक क्रम एम्बेडिंग मॉडल और क्वेरी के साथ बदल सकता है:पहला आर्ग्युमेंट यूज़र प्रश्न है, और दूसरा
kहै, यानी प्राप्त करने के लिए दस्तावेज़ों की अधिकतम संख्या। LangChain.js कॉन्फ़िगर किए गए एम्बेडिंग मॉडल से प्रश्न को वेक्टर में बदलता है, और Oracle AI Database सबसे निकट मिलते-जुलते दस्तावेज़ खोजने के लिए सिमिलैरिटी सर्च करता है।यदि सर्च शर्तों और मेटाडेटा फ़िल्टर्स लागू करने के बाद
kसे कम दस्तावेज़ उपलब्ध हों, तो मेथड केवल उपलब्ध परिणाम लौटाता है। प्राप्तDocumentऑब्जेक्ट्स में टेक्स्ट और मेटाडेटा होता है जिसे स्रोत एट्रिब्यूशन के साथ दिखाया जा सकता है या आगे के उत्तर-जनरेशन चरण को पास किया जा सकता है।रिट्रीवल स्कोर जाँचें
उदाहरण के लिए, जब आप प्रत्येक प्राप्त दस्तावेज़ से संबंधित डिस्टेंस देखना चाहते हैं तो
similaritySearchWithScoreका उपयोग करें:similaritySearchWithScoreप्रत्येक मैच के साथ एक डिस्टेंस लौटाता है। इसका संख्यात्मक मान और दिशा कॉन्फ़िगर की गई डिस्टेंस स्ट्रैटेजी पर निर्भर करती है, इसलिए यह कोई सार्वभौमिक कॉन्फिडेंस प्रतिशत नहीं है। स्कोर की तुलना केवल तब करें जब आप एक ही एम्बेडिंग मॉडल और डिस्टेंस स्ट्रैटेजी उपयोग कर रहे हों, और थ्रेशहोल्ड चुनने से पहले प्राप्त अनुच्छेद का निरीक्षण करें।मेटाडेटा फ़िल्टर्स के साथ परिणाम सीमित करें
उदाहरण आउटपुट:
तीसरा आर्ग्युमेंट सर्च को उन आइटम्स तक सीमित करता है जिनका
category = databaseहै। इस कॉर्पस में, अनुमानित फिल्टर्ड परिणाम["database-guide"]है। फ़िल्टर यह बदलता है कि कौन-से दस्तावेज़ पात्र हैं; वेक्टर सिमिलैरिटी अब भी पात्र दस्तावेज़ों का क्रम निर्धारण करती है।दोहराव कम करने के लिए MMR का उपयोग करें
ओवरलैपिंग कॉर्पस से प्रतिनिधि आउटपुट (एम्बेडिंग मॉडल और रन के अनुसार क्रम बदल सकता है):
MMR पहले एक कैंडिडेट पूल (
fetchK) पर विचार करता है और फिर क्वेरी रिलिवेंस व विविधता के बीच संतुलन बनाकरkदस्तावेज़ चुनता है। कमlambdaअधिक विविधता पर जोर देता है; अधिक मान रिलिवेंस पर जोर देता है। ऊपर दिए गए ओवरलैपिंग कॉर्पस के साथ, चयनित स्रोत साधारण सिमिलैरिटी सर्च से अलग हो सकते हैं, जिससे रिट्रीवल का ट्रेड-ऑफ स्पष्ट दिखता है।प्राप्त संदर्भ को किसी AI एप्लिकेशन को पास करें
यह LangChain.js रिट्रीवल और बड़े भाषा मॉडल (LLM) कॉल के बीच हैंडऑफ़ पॉइंट है: एप्लिकेशन के पास एक प्रश्न और जाँचे जाने योग्य साक्ष्य मौजूद हैं, जो मॉडल से उस संदर्भ से उत्तर देने के लिए तैयार प्रॉम्प्ट हेतु उपयुक्त हैं।
रिट्रीवल और जेनरेशन अलग-अलग ज़िम्मेदारियाँ हैं। इस बिंदु पर,
contextएक सादा टेक्स्ट स्ट्रिंग है जिसे कोई चैट मॉडल ग्रहण कर सकता है। अब आप मॉडल को यह निर्देश देते हुए इसे दे सकते हैं कि वह केवल प्राप्त सामग्री से उत्तर दे और स्रोत पहचानकर्ताओं का उल्लेख करे। डेटाबेस इंटीग्रेशन स्वयं बिना चैट मॉडल के भी काम करता है।इंटीग्रेशन कैसे सत्यापित करें
एक उपयोगी वैलिडेशन इन्गेशन और प्रत्येक रिट्रीवल स्ट्रैटेजी को अलग-अलग जाँचता है। पहले, सुनिश्चित करें कि वेक्टर स्टोर किसी डेटाबेस त्रुटि के बिना बनाया गया था। फिर सिमिलैरिटी सर्च, फिल्टर्ड परिणाम, और MMR परिणाम से लौटे सोर्स मेटाडेटा का निरीक्षण करें।
सत्यापन के बाद कनेक्शन पूल बंद करें
क्लीनअप केवल इन्गेशन, रिट्रीवल, और वैरिफिकेशन के पूरा होने के बाद चलता है। ड्रेन समय उपयोग में चल रहे कनेक्शनों को पूरा करने के लिए एक छोटा विंडो देता है। किसी लंबे समय तक चलने वाले सर्वर में, ग्रेसफुल शटडाउन तक पूल को खुला रखें। जीवनचक्र विवरण के लिए node-oracledb
pool.close()दस्तावेज़ीकरण देखें।इस बिंदु पर, पूरी
index.tsफ़ाइल को इस प्रकार चलाया जा सकता है:एक प्रतिनिधि वैलिडेशन आउटपुट है:
सटीक सिमिलैरिटी क्रम और डिस्टेंस मान एम्बेडिंग मॉडल और प्रदाता के साथ बदल सकते हैं। फिल्टर्ड परिणाम में
database-guideहोना चाहिए, जबकि MMR परिणाम में ओवरलैपिंग कॉर्पस से विभिन्न रिट्रीवल स्रोत दिखने चाहिए।टिप्स और ट्रबलशूटिंग
डेटाबेस कनेक्शन विफल हो जाता है
कनेक्शन स्ट्रिंग, क्रेडेंशियल्स, पहुँच योग्य सर्विस, और स्कीमा प्रिविलेज़ सत्यापित करें। यदि आप Autonomous AI Database का उपयोग करते हैं, तो उसका आवश्यक वॉलेट या TLS सेटअप सुनिश्चित करें। रिट्रीवल को डिबग करने से पहले डेटाबेस कनेक्शन को स्वतंत्र रूप से परखें।
एम्बेडिंग डायमेंशन मिसमैच होता है
इन्गेशन के दौरान बनाए गए वेक्टर और क्वेरी वेक्टर संगत डायमेंशन्स का उपयोग करें। इन्सर्ट्स और क्वेरी के लिए अलग-अलग एम्बेडिंग मॉडल का उपयोग सर्च को बिगाड़ सकता है या परिणामों को घटिया बना सकता है। किसी टेबल के लिए मॉडल चयन सुसंगत रखें।
सर्च में कोई दस्तावेज़ वापस नहीं आता
सुनिश्चित करें कि इन्गेशन ने पंक्तियाँ इन्सर्ट की हैं, फिर प्रतिबंधात्मक मेटाडेटा फ़िल्टर्स के बिना पुनः प्रयास करें। छोटे कॉर्पस के लिए, व्यापक क्वेरी प्रयोग करें और स्टोर की गई सामग्री का निरीक्षण करें।
परिणाम प्रासंगिक हैं पर दोहरावदार
ओवरलैपिंग हिस्सों वाले कॉर्पस पर MMR के विरुद्ध सिमिलैरिटी सर्च की तुलना करें। जाँचते हुए
k,fetchK, औरlambdaट्यून करें कि कहीं विविधता महत्वपूर्ण अनुच्छेदों को छोड़ने की कीमत पर तो नहीं आ रही।क्या आपको वेक्टर इंडेक्स बनाना चाहिए?
छोटे सैंपल डेटासेट के लिए, इंडेक्सिंग ट्यूनिंग के बिना पहले शुद्धता की वैलिडेशन से शुरुआत करें। डेटा बढ़ने पर, अपनी परफ़ॉर्मेंस और सटीकता आवश्यकताओं के आधार पर Oracle के वेक्टर इंडेक्स जैसे Hierarchical Navigable Small World (HNSW) या Inverted File (IVF) इंडेक्स का मूल्यांकन करें। इंडेक्स क्रिएशन एक ऑप्टिमाइज़ेशन है, बुनियादी इंटीग्रेशन समझने के लिए पूर्वापेक्षा नहीं।
Oracle वेक्टर इंडेक्स के बारे में अधिक जानकारी के लिए, Oracle का वेक्टर इंडेक्स दस्तावेज़ देखें।
पूर्ण TypeScript रेफ़रेंस इम्प्लीमेंटेशन देखें
यह देखने के लिए कि ये अवधारणाएँ एक काम करने वाले एप्लिकेशन में कैसे एक साथ आती हैं, LangChain.js और Oracle AI Database रेफ़रेंस इम्प्लीमेंटेशन एक्सप्लोर करें।
TypeScript से निर्मित, एप्लिकेशन LangChain.js और Oracle AI Database का उपयोग करके डॉक्यूमेंट इन्गेशन, वेक्टर स्टोरेज, सिमिलैरिटी सर्च, मेटाडेटा फ़िल्टरिंग, और MMR को एक साथ लाता है। यह रिट्रीवल सेटिंग्स के साथ प्रयोग करने, प्राप्त दस्तावेज़ों का निरीक्षण करने, और यह समझने के लिए एक इंटरैक्टिव इंटरफ़ेस भी प्रदान करता है कि विभिन्न सर्च स्ट्रैटेजीज़ एप्लिकेशन को लौटाए गए संदर्भ को कैसे प्रभावित करती हैं।
रिपॉज़िटरी में सोर्स कोड और सेटअप निर्देश शामिल हैं, जिससे आप पूरी इंटीग्रेशन एक्सप्लोर कर सकते हैं और अपने स्वयं के प्रोजेक्ट्स के लिए इम्प्लीमेंटेशन को अनुकूलित कर सकते हैं।
निष्कर्ष और अगले कदम
आपने
OracleVSके माध्यम से LangChain.js को Oracle AI Database से जोड़ा, ज्ञान कोDocumentऑब्जेक्ट्स के रूप में प्रस्तुत किया, स्थायी वेक्टर एम्बेडिंग्स बनाईं, और सिमिलैरिटी सर्च, मेटाडेटा फ़िल्टरिंग, तथा MMR की तुलना की। अगले चरण के लिए आधिकारिक LangChain.js दस्तावेज़ और आधिकारिक Oracle LangChain JavaScript इंटीग्रेशन गाइड पढ़ें।यदि आप अन्य भाषाओं में काम करते हैं, हमारा Oracle AI Vector Search ट्यूटोरियल Python में वही स्टोरेज और क्वेरी चरण कवर करता है, और हमारा LangChain4j ट्यूटोरियल Oracle AI Database के साथ एक Java एजेंट बनाता है।
हमारा Retrieval Augmented Generation (RAG) with LangChain कोर्स एक वैकल्पिक रिट्रीवल-केंद्रित फॉलो-अप है; इसके उदाहरण Python में हैं, लेकिन वर्कफ़्लो अवधारणाएँ इस TypeScript इम्प्लीमेंटेशन पर भी लागू होती हैं।