Retrieval Augmented Generation Engine with LangChain and Streamlit

Abruf der Augmented -Generation -Engine mit Langchain, Straffung und Pinecone

Zugreifen

Überblick

Der Abruf Augmented Engine (RAG) ist ein leistungsstarkes Werkzeug für das Abrufen von Dokumenten, die Zusammenfassung und die interaktive Fragen. In diesem Projekt wird Langchain, Streamlit und Pinecone verwendet, um den Benutzern eine nahtlose Webanwendung bereitzustellen, um diese Aufgaben auszuführen. Mit RAG können Sie problemlos mehrere PDF -Dokumente hochladen, Vektoreinbettungen für Text in diesen Dokumenten generieren und Konversationsinteraktionen mit den Dokumenten durchführen. Die Chat -Geschichte wird auch für eine interaktivere Erfahrung in Erinnerung bleiben.

Merkmale

• Streamlit -Web -App : Das Projekt wird mit Streamlit erstellt und bietet eine intuitive und interaktive Weboberfläche für Benutzer.
• Eingabefelder : Benutzer können wesentliche Anmeldeinformationen wie OpenAI -API -Schlüssel und Pinecone -API -Schlüssel über dedizierte Eingabefelder eingeben.
• Dokument -Uploader : Benutzer können mehrere PDF -Dateien hochladen, die dann zur weiteren Analyse verarbeitet werden.
• Dokumentspaltung : Die hochgeladenen PDFs werden in kleinere Textbrocken aufgeteilt, um die Kompatibilität mit Modellen mit Token -Grenzen zu gewährleisten.
• Vektor-Einbettungen : Die Textbrocken werden in Vektor-Einbettungen umgewandelt, wodurch es einfacher ist, Abruf- und Fragestellenaufgaben auszuführen.
• Flexibler Vektorspeicher : Sie können wählen, ob Sie Vektoreinbettungen entweder in Pnecone oder in einem lokalen Vektorspeicher speichern und Flexibilität und Kontrolle bieten.
• Interaktive Gespräche : Benutzer können interaktive Gespräche mit den Dokumenten führen, Fragen stellen und Antworten erhalten. Der Chat -Verlauf ist als Referenz erhalten.

Voraussetzungen

Stellen Sie vor dem Ausführen des Projekts sicher, dass Sie die folgenden Voraussetzungen haben:

• Python 3.7+
• Langchain
• Straffung
• Tannenzapfen
• Eine OpenAI -API -Schlüssel
• PDF -Dokumente zum Hochladen

Verwendung

1. Klonen Sie das Repository in Ihre lokale Maschine:

   git clone https://github.com/mirabdullahyaser/Retrieval-Augmented-Generation-Engine-with-LangChain-and-Streamlit.git
   cd Retrieval-Augmented-Generation-Engine-with-LangChain-and-Streamlit

2. Installieren Sie die erforderlichen Abhängigkeiten durch Ausführen:

   pip install -r requirements.txt

3. Führen Sie die Streamlit -App aus:

   streamlit run src/rag_engine.py

4. Greifen Sie auf die App zu, indem Sie einen Webbrowser öffnen und zur bereitgestellten URL navigieren.

5. Geben Sie in den jeweiligen Feldern Ihre OpenAI -API -Taste, Pinecone -API -Taste, Pinecone -Umgebung und Pinecone -Indexname ein. Sie können sie entweder in der Seitenleiste der Anwendung zur Verfügung stellen oder in der Datei secrets.toml im .streamLit -Verzeichnis einlegen

6. Laden Sie die PDF -Dokumente hoch, die Sie analysieren möchten.

7. Klicken Sie auf die Schaltfläche "Dokumente senden", um die Dokumente zu verarbeiten und Vektor -Einbettungen zu generieren.

8. Nehmen Sie interaktive Gespräche mit den Dokumenten durch, indem Sie Ihre Fragen im Chat -Eingabefeld eingeben.

Mitwirkende

Mir Abdullah Yaser

Kontakt

Wenn Sie Fragen, Vorschläge haben oder dieses Projekt weiter diskutieren möchten, können Sie sich gerne mit mir in Verbindung setzen:

• E-Mail
• LinkedIn

Ich bin offen für Zusammenarbeit und würde mich gerne verbinden!