VecTextSearch - 利用OpenAI的语言模型生成文本向量，并在Weaviate数据库中进行搜索

VecTextSearch 项目介绍

项目概述

VecTextSearch 是一个创新项目，旨在利用 OpenAI 的语言模型来生成文本向量，并在 Weaviate 数据库中进行高效搜索。通过这个工具，用户可以将文本数据存储在 Weaviate 数据库中，基于文本相似性快速找到和检索相关内容。这个项目使用 Go (Golang) 编写，并提供一个简单易用的 REST API 供客户端调用。

背景

在现代信息处理应用中，基于文本相似性进行快速搜索显得尤为重要。例如，用户需要在一篇文章的基础上快速找到与其内容类似的其他文章。传统的关键词搜索方法往往不能准确反映文本之间的相似性。而 VecTextSearch 则通过 OpenAI 的强大语言模型，将文本转换为向量，利用 Weaviate 数据库的高效存储和搜索能力，实现快速的文本相似性搜索。

使用场景

VecTextSearch 在多个领域中具有广泛的应用前景，包括但不限于：

为各类文章、博客和学术论文寻找内容相似的相关文献。
实现智能问答系统，根据用户问题迅速匹配相关问题和答案。
根据用户的历史阅读记录构建推荐系统，为其推荐类似的文章。
检测重复或抄袭内容，提高内容创作的原创性。

功能介绍

VecTextSearch 项目通过提供 REST API 接口，让用户得以轻松地添加文本和搜索相似文本：

添加文本接口

URL：/add-text
方法：POST
请求格式：application/json

请求示例：

{
  "name": "文章名称",
  "content": "文章内容"
}

响应结果：如果成功添加文本，会返回一个包含该文本唯一标识符的 JSON 对象。
```
{
  "id": "文章唯一标识符"
}
```

搜索相似文本接口

URL：/search-similar-texts
方法：POST
请求格式：application/json
请求示例：
```
{
  "content": "查询内容"
}
```
响应结果：搜索后，将返回包含相似文本信息的 JSON 数组，每个对象包括文本名称、内容、距离和相似度。
```
[
  {
    "name": "文章名称",
    "content": "文章内容",
    "distance": 浮点数,
    "certainty": 浮点数
  }
  ...
]
```