मेरी 4-Week Journey: Frontend Upgrades से Docker Struggles और Breakthroughs तक

Update (2026): नीचे describe किया गया WordPress frontend और Docker deployment अब ancient history है। Site अब Next.js पर चलती है, और Sydney को Supabase pgvector और Claude के साथ scratch से rebuild किया गया है। अभी भी coding, अभी भी learning।

Sydney से पूछें →

---

मार्च 2024 की original post नीचे context के लिए preserved है।

मैंने पिछले 4 हफ्तों में कोई post publish नहीं किया। शायद आप सोच रहे होंगे क्या हुआ। क्या मैं lazy हो गया और सीखना बंद कर दिया? खैर sort of, मैं एक weekend में अपने family और दूसरे friends के साथ trip पर गया था।

आज की post एक short होगी। मैं share करूँगा कि पिछले 4 हफ्तों में मैंने क्या सीखा। लेकिन किसे पड़ी है? खैर, यह सच है कि कोई नहीं परवाह करेगा तो यह post mainly मेरे लिए अपनी progress track करने के लिए है और शायद एक और इंसान के लिए (जो भी आप हैं :D।)

TL;DR: "Just in time learning" real है और मैं इसे जी रहा हूँ।

Improved front end

अगर आप कुछ महीने पहले मेरी site पर आए होते, तो आप notice करते कि अब site अलग दिखती है, ज़्यादा modern और navigate करने में आसान (मुझे उम्मीद है)। मैंने Github Copilot और ChatGPT4 का उपयोग करके machine से site के look and feel को improve करने में मदद ली। नतीजा 300 से ज़्यादा lines of CSS codes है, जिनमें से ज़्यादातर मुझे नहीं पता कि कौन लिखता है। यहाँ एक sneak peek है:

/* Defining CSS variables for common values */
:root \{
    --main-font: 'Poppins', sans-serif;
    --primary-color: #003366;
    --accent-color: #4da6ff;
    --background-color: #FAFAFA;
    --text-color: #333333;
    --hover-color: #4da6ff;
\}

साथ ही जब मैं chatbot page visit करता हूँ, "look and feel" बाकी site जैसी है। अपना question enter करने का "box" वहीं ऊपर है, above the fold, और conversation box expand होता रहता है जैसे-जैसे conversation बढ़ती है। मुझे विश्वास नहीं होता कि मैंने यह जल्दी नहीं किया। और sorry उन सभी के लिए जिन्होंने पहले वो page visit की थी।

Sydney chatbot का नया vector store और improved query translation

Wordpress से published content को HTML clean-up, chunking, embeddings generate करने और उन्हें vector store में store करने तक का पूरा process surprisingly easy और fast है जब आप इसे कुछ बार कर लेते हैं।

मैंने एक नया vector store switch किया (अभी भी FAISS use करते हुए), एक अलग chunking methodology के साथ (इस बार slightly higher chunk size और overlap के साथ।)

User की query को Langchain से multi-query retriever का उपयोग करके transform किया जाता है। मैंने पाया है कि इस retriever का उपयोग करके chatbot का answer पिछले retriever की तुलना में ज़्यादा comprehensive और nuanced है।

# Set up vector store and llm
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.load_local("faiss_index", embeddings)
llm = ChatOpenAI(model_name="gpt-3.5-turbo-0125", temperature=0)

# Set up retriever
retriever_from_llm = MultiQueryRetriever.from_llm(
    retriever=vectorstore.as_retriever(), llm=llm
)

Docker image को GCP Artifact पर push करने के साथ Struggle एक blessing बन गई

किसी अजीब कारण से, लगभग 1 महीने पहले से मुझे Docker Image को GCP Artifact पर push करने में trouble होने लगी। मैंने इसे resolve करने के कई तरीके आज़माए लेकिन नहीं हो सका। उस point तक के महीने बिल्कुल ठीक थे।

इसकी वजह से, मुझे app deploy करने का एक और तरीका सोचना पड़ा जिसमें image को Artifact पर push करना न हो। यही वो था कि मैंने Github के repo का उपयोग करके GCP Cloud Run पर continuous deployment कैसे पाया।

किसी तरह उसी समय, मैंने एक online tutorial देखा और उन्होंने poetry का उपयोग किया। मुझे नहीं पता था यह क्या था इसलिए मैंने chatGPT से explain करने के लिए कहा। यह dependencies manage करने के लिए एक बढ़िया tool निकला इसलिए अब मैं इसे use कर रहा हूँ :)। इस exploration की वजह से, मैंने प्रत्येक project के लिए virtual environment set up करने के बारे में भी ज़्यादा सीखा और इसे हर एक project के लिए use करना शुरू किया।

तो अब एक नया virtual environment set up करके, dependencies manage करने के लिए poetry का उपयोग करके, और GCP Cloud Run से continuous deployment का leverage लेके, मेरा workflow बहुत smoother है।

मैं अभी क्या कर रहा हूँ?

अभी, मैं Langchain का उपयोग करके एक research assistant build और deploy करने पर काम कर रहा हूँ। Langchain और GPT-Researcher का open-source code (दोनों का धन्यवाद!) काफी clear है और मैं इसे locally work करा सकता हूँ। हालाँकि, इसे production environment में deploy करना काफी difficult निकला है, खासकर content scraping के part के बारे में।

मेरे पास research assistant approach को improve करने के कुछ ideas भी हैं जो GPT-researcher और Langchain ने share की हैं लेकिन मुझे उन्हें ज़िंदगी में लाने के लिए काम करना है। जब वे ready होंगे तब share करूँगा।

आपके विचार?

Code की हर line, troubleshooting के हर घंटे, और हर breakthrough एक stepping stone रही है। और जबकि यह journey मेरी है, मुझे उम्मीद है यह ideas spark करे, insights offer करे, या simply entertain करे। आपने अपने tech endeavors में क्या challenges face किए हैं? अपनी stories या questions नीचे drop करें — चलो इन digital waters को मिलकर navigate करते हैं।

शुभकामनाओं सहित, Chandler

P.S: अगर आप RAG application build कर रहे हैं, तो मुझे Langchain का "RAG from scratch" series बहुत useful लगती है।