本教程演示如何利用检索增强生成 (RAG) 技术构建一个具备上下文感知能力的待办事项列表应用。我们将结合Google Gemini API进行文本嵌入，借助pgvector高效管理向量数据，并使用Prisma和NestJS框架操作PostgreSQL数据库。此方案将实现诸如去重任务和基于上下文检索相似任务等高级功能。
前提条件
- 熟悉NestJS和Prisma框架。
- 已安装Node.js和npm。
- PostgreSQL数据库已安装并启用pgvector扩展。
- 拥有可访问Google Cloud的Gemini API密钥。
步骤一：搭建NestJS项目
- 创建新的NestJS项目：
nest new todo-app cd todo-app
- 删除默认生成的无用文件：
rm src/app.controller.* src/app.service.* src/app.module.ts
步骤二：安装依赖
安装所需依赖包：
npm install prisma @prisma/client @google/generative-ai dotenv pg
步骤三：使用pgvector配置Prisma
- 初始化Prisma：
npx prisma init
- 使用你的PostgreSQL数据库连接信息更新
.env文件：
DATABASE_URL="postgresql://<用户名>:<密码>@localhost:5432/<数据库名>?schema=public" GEMINI_API_KEY="<你的Gemini API密钥>"
- 在
schema.prisma文件中启用pgvector：
generator client {
provider = "prisma-client-js"
previewFeatures = ["postgresqlextensions"]
}
datasource db {
provider = "postgresql"
url = env("DATABASE_URL")
extensions = ["pgvector"]
}
model Task {
id Int @id @default(autoincrement())
title String
content String
embedding Unsupported("vector(1536)")
}
- 执行数据库迁移：
npx prisma migrate dev --name init
步骤四：在NestJS中配置Prisma
创建Prisma模块用于数据库访问：
// src/prisma/prisma.module.ts
import { Module } from '@nestjs/common';
import { PrismaService } from './prisma.service';
@Module({
providers: [PrismaService],
exports: [PrismaService],
})
export class PrismaModule {}
// src/prisma/prisma.service.ts
import { Injectable, OnModuleInit, OnModuleDestroy } from '@nestjs/common';
import { PrismaClient } from '@prisma/client';
@Injectable()
export class PrismaService extends PrismaClient implements OnModuleInit, OnModuleDestroy {
async onModuleInit() {
await this.$connect();
}
async onModuleDestroy() {
await this.$disconnect();
}
}
在主模块中导入Prisma模块：
// src/app.module.ts
import { Module } from '@nestjs/common';
import { PrismaModule } from './prisma/prisma.module';
import { TasksModule } from './tasks/tasks.module';
@Module({
imports: [PrismaModule, TasksModule],
})
export class AppModule {}
步骤五：创建任务模块
- 生成任务模块：
nest generate module tasks nest generate service tasks nest generate controller tasks
- 实现
TasksService：
// src/tasks/tasks.service.ts
import { Injectable } from '@nestjs/common';
import { PrismaService } from '../prisma/prisma.service';
import { Task } from '@prisma/client';
import { GeminiService } from '../gemini/gemini.service';
@Injectable()
export class TasksService {
constructor(private prisma: PrismaService, private geminiService: GeminiService) {}
async createTask(title: string, content: string): Promise {
const embedding = await this.geminiService.getEmbedding(`${title} ${content}`);
return this.prisma.task.create({
data: { title, content, embedding },
});
}
async getTasks(): Promise {
return this.prisma.task.findMany();
}
async findSimilarTasks(embedding: number[], limit = 5): Promise {
const embeddingStr = `[${embedding.join(',')}]`;
return this.prisma.$queryRaw`
SELECT *, embedding <-> ${embeddingStr}::vector AS distance
FROM "Task"
ORDER BY distance
LIMIT ${limit};
`;
}
}
- 实现
TasksController：
// src/tasks/tasks.controller.ts
import { Controller, Post, Get, Body } from '@nestjs/common';
import { TasksService } from './tasks.service';
@Controller('tasks')
export class TasksController {
constructor(private tasksService: TasksService) {}
@Post()
async createTask(@Body('title') title: string, @Body('content') content: string) {
return this.tasksService.createTask(title, content);
}
@Get()
async getTasks() {
return this.tasksService.getTasks();
}
}
步骤六：集成Gemini API生成嵌入向量
- 创建
GeminiService：
// src/gemini/gemini.service.ts
import { Injectable } from '@nestjs/common';
import { GenerativeLanguageServiceClient } from '@google/generative-ai';
@Injectable()
export class GeminiService {
private client: GenerativeLanguageServiceClient;
constructor() {
this.client = new GenerativeLanguageServiceClient({
apiKey: process.env.GEMINI_API_KEY,
});
}
async getEmbedding(text: string): Promise {
const result = await this.client.embedText({
model: 'models/text-embedding-001',
content: text,
});
return result.embedding;
}
}
总结
通过以上步骤，你将拥有一个功能完善的待办事项列表应用，具备以下能力：
- 使用Gemini API为任务内容生成嵌入向量。
- 使用pgvector将嵌入向量存储在PostgreSQL数据库中。
- 基于嵌入向量检索相似任务。
此架构支持语义搜索和上下文数据清理等高级功能，可进一步扩展以构建更智能的任务管理系统。
