Spaces:
Running
Running
File size: 4,327 Bytes
fb05e78 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 |
"""
ベクトルストア構築ユーティリティ
"""
import logging
import os
from typing import List, Optional
from dotenv import load_dotenv
from langchain_chroma import Chroma
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings
from .embedding_storage import save_embeddings
from .loader import load_chunks_from_json, display_document_info
logger = logging.getLogger(__name__)
# .envファイルからAPIキーを読み込む
load_dotenv(dotenv_path=".env")
def build_vector_store(
docs_path: str = 'data/processed/chunks.json',
persist_dir: str = 'data/vector_store',
model_name: str = 'text-embedding-3-small',
save_embeddings_to_file: bool = True,
embeddings_dir: str = 'data/embeddings'
) -> None:
"""
ドキュメントチャンクからベクトルストアを構築し、必要に応じて埋め込みも保存する
Args:
docs_path: ドキュメントチャンクが格納されたJSONファイルのパス
persist_dir: ベクトルストアを保存するディレクトリ
model_name: 使用するOpenAI埋め込みモデル名
save_embeddings_to_file: 埋め込みを別ファイルに保存するかどうか
embeddings_dir: 埋め込みを保存するディレクトリ
"""
logger.debug("OPENAI_API_KEY set: %s", bool(os.getenv("OPENAI_API_KEY")))
logger.info("全てのインポートが成功しました")
# チャンクJSONからドキュメントを読み込む
docs_list = load_chunks_from_json(docs_path)
# ドキュメント情報を表示
display_document_info(docs_list)
# OpenAI埋め込みを初期化
embeddings = OpenAIEmbeddings(model=model_name)
logger.info(f"埋め込みモデル初期化済み: {model_name}")
# ドキュメントが存在する場合のみベクトルストアを作成
if docs_list:
# 全ドキュメントの埋め込みを生成
texts = [doc.page_content for doc in docs_list]
logger.info(f"{len(texts)}件のドキュメントに対して埋め込みを生成中...")
vectors = embeddings.embed_documents(texts)
# 埋め込みをファイルに保存する場合
if save_embeddings_to_file:
embeddings_file = save_embeddings(
documents=docs_list,
vectors=vectors,
model_name=model_name,
embeddings_dir=embeddings_dir
)
logger.info(f"埋め込みを保存しました: {embeddings_file}")
# 生成した埋め込みでChromaベクトルストアを作成
# Chromaは内部でストレージを管理するためfrom_documentsを利用
db = Chroma.from_documents(docs_list, embeddings, persist_directory=persist_dir)
logger.info(f"ベクトルストアを作成し保存しました: {persist_dir}")
logger.info(f"{len(docs_list)}件のドキュメントチャンクをインデックス化しました")
else:
logger.error("インデックス化するドキュメントがありません。chunks.jsonファイルを確認してください。")
raise ValueError("入力ファイルにドキュメントが見つかりません")
def search_vector_store(
query: str,
persist_dir: str = 'data/vector_store',
k: int = 5,
model_name: str = 'text-embedding-3-small'
) -> List[Document]:
"""
ベクトルストアから関連ドキュメントを検索する
Args:
query: 検索クエリ
persist_dir: ベクトルストアが保存されているディレクトリ
k: 取得するドキュメント数
model_name: 使用するOpenAI埋め込みモデル名
Returns:
関連ドキュメントのリスト
"""
# OpenAI埋め込みを初期化
embeddings = OpenAIEmbeddings(model=model_name)
# 保存済みベクトルストアを読み込む
db = Chroma(persist_directory=persist_dir, embedding_function=embeddings)
# レトリーバーを作成
retriever = db.as_retriever(
search_type='similarity',
search_kwargs={'k': k}
)
# 関連ドキュメントを取得
docs = retriever.invoke(query)
return docs
|