LangChain ile Pgvector Docker Entegrasyonu: Adım Adım Rehber
Bu makalede, LangChain’i Pgvector’ün Docker imajıyla entegre etmenin detaylı adımlarını ele alacağız. Öncelikle, Pgvector’ün ne olduğunu ve neden LangChain ile kullanılmasının faydalı olduğunu açıklayalım. Pgvector, PostgreSQL veritabanına vektör benzerlik araması özelliği ekleyen güçlü bir uzantıdır. Bu sayede, büyük dil modelleri (LLM’ler) ile çalışırken, metinleri veya diğer vektörleri verimli bir şekilde arayabilir ve ilgili sonuçları hızlıca bulabiliriz. LangChain ise, LLM’leri çeşitli uygulamalara entegre etmek için geliştirilmiş bir framework’tür. İki teknolojinin birleşimi, güçlü ve ölçeklenebilir uygulamalar geliştirmemizi sağlar.
Kurulum ve Yapılandırma
İlk adım olarak, PostgreSQL, Pgvector ve Docker’ı kurmanız gerekmektedir. Daha sonra, Pgvector’ün Docker imajını indirip çalıştıracağız. Bu işlem için aşağıdaki komutları kullanabilirsiniz:
docker pull pgvector/pgvector
docker run -d -p 5432:5432 --name pgvector pgvector/pgvector
Bu komutlar, Pgvector Docker imajını indirir ve bir konteyner olarak çalıştırır. 5432 portu, yerel makineniz ile konteyner arasındaki bağlantıyı sağlar. Şimdi, PostgreSQL’e bağlanıp Pgvector uzantısını yüklememiz gerekiyor. Bunun için, psql komutunu kullanarak veritabanına bağlanın ve aşağıdaki komutu çalıştırın:
CREATE EXTENSION pgvector;
Artık Pgvector uzantısı kurulu. Sonrasında, LangChain ile etkileşime geçmek için gerekli Python kütüphanelerini kurmalıyız. pip kullanarak aşağıdaki kütüphaneleri yükleyin:
pip install langchain psycopg2-binary
LangChain Entegrasyonu
Şimdi, LangChain’i Pgvector ile entegre edelim. Aşağıdaki Python kod örneği, bir metin vektörünü veritabanına eklemeyi ve benzer metinleri aramayı göstermektedir:
import psycopg2
from langchain.vectorstores import PGVector
from langchain.embeddings import OpenAIEmbeddings
# Veritabanı bağlantı bilgileri
db_url = "postgresql://postgres:postgres@localhost:5432/mydb" #Şifrenizi ve veritabanı adınızı değiştirin.
embeddings = OpenAIEmbeddings()
# PGVector nesnesi oluşturma
db = PGVector.from_texts(["Metin 1", "Metin 2", "Metin 3"], embeddings, connection_string=db_url)
# Yeni bir metin ekleme
db.add_texts(["Yeni Metin"], metadatas=[{"source": "yeni_kaynak"}])
# Benzer metinleri arama
similar_texts = db.similarity_search("Aranacak Metin", k=2)
print(similar_texts)
Bu kod, öncelikle veritabanına bağlanıp, sonra da LangChain’in PGVector sınıfını kullanarak vektörleri yönetir. OpenAIEmbeddings kullanıldı, ancak istediğiniz başka bir embedding yöntemi de kullanabilirsiniz. Kod, yeni metinler eklemeyi ve benzer metinleri aramayı gösterir. Unutmayın ki, bu örnekte OpenAI API anahtarı gereklidir. Bu anahtarı .env dosyanıza eklemeniz veya kodunuzda belirtmeniz gerekebilir. Daha fazla bilgi için fatihsoysal.com sitesini ziyaret edebilirsiniz.
Sonuç
Bu rehberde, LangChain’i Pgvector’ün Docker imajıyla entegre etmeyi adım adım öğrendiniz. Bu entegrasyon, büyük dil modelleriyle çalışan uygulamalarınızın ölçeklenebilirliğini ve performansını artıracaktır. Pgvector’ün sağladığı hızlı vektör benzerlik araması, LangChain’in gücüyle birleşerek, gelişmiş ve verimli uygulamalar geliştirmenize olanak tanır. Daha fazla kaynak ve örnek için buraya bakabilirsiniz.
#Etiketler: LangChain, Pgvector, Docker, vektör veritabanı, büyük dil modelleri, yapay zeka, makine öğrenmesi, veri entegrasyonu, PostgreSQL, Python, OpenAI, embedding