Ed Tech Company QA Assistant Download - Ed Tech Company QA Assistant Quellcode Download

Ed Tech Company QA Assistant

Anderer Quellcode

1.0.0

Herunterladen

ED-Tech Company QA Assistent

Dieses Projekt ist eine QA-Assistentin (Frage-Answering) für ein ED-Tech-Unternehmen. Es nutzt Vektordatenbanken, hochmoderne Sprachmodelle und benutzerdefinierte Dokumenten-Einbettungen, um Benutzeranfragen auf der Grundlage einer vordefinierten Wissensbasis genaue Antworten zu geben.

Inhaltsverzeichnis

Merkmale
Installation
Verwendung
Projektstruktur
Zukünftige Verbesserungen
Beitragen
Lizenz

Merkmale

Vektordatenbank : Verwendet FAISS für die effiziente Ähnlichkeitssuche in der Wissensbasis.
Benutzerdefinierte Einbettungen : Angetrieben, indem Sie Faceembeding mit dem Modell der Satztransformatoren/des All-Minilm-L6-V2-Modells verwenden.
Großspracher Modell (LLM) : Integriert das LLAMA3-Modell von COQ (LLAMA3-8B-8192) zur Erzeugung von kontextbewussten Antworten.
CSV Loader : Lädt FAQs oder andere strukturierte Daten aus CSV -Dateien, um die Wissensbasis zu füllen.
Streamlit -Schnittstelle : Eine einfache und interaktive Benutzeroberfläche zum Stellen von Fragen und zum Empfangen von Antworten.

Installation

Klonen Sie das Repository:

 git clone https : // github . com / shaadclt / Ed - Tech - Company - QA - Assistant . git
cd Ed - Tech - Company - QA - Assistant

Richten Sie eine virtuelle Umgebung ein:

 python - m venv venv
source venv / bin / activate  # On Windows, use `venvScriptsactivate`

Abhängigkeiten installieren:

 pip install - r requirements . txt

Umgebungsvariablen: Erstellen Sie eine .env -Datei im Projektroot und fügen Sie Ihren COQ -API -Schlüssel hinzu:

 GROQ_API_KEY = your_groq_api_key_here

Verwendung

Führen Sie die Streamlit -App aus

 streamlit run main . py

Erstellen Sie die Wissensbasis: Um die Wissensbasis aus einer CSV -Datei zu erstellen, klicken Sie auf die Schaltfläche Erstellen Sie KnowledgeBase.
Stellen Sie eine Frage: Geben Sie eine Frage in die optimistische Schnittstelle ein, und der Assistent liefert eine kontextuell genaue Antwort basierend auf der geladenen Wissensbasis.

Projektstruktur

Langchain_helper.py : Enthält die Logik zum Laden von Daten, zum Erstellen der Vektordatenbank und zum Generieren von Antworten.
main.py : Die streamlit -Anwendungsdatei.
FAQS.CSV : Eine Beispiel -CSV -Datei, mit der die Wissensbasis gefüllt ist.
Anforderungen.txt : Listet alle erforderlichen Python -Pakete auf.
.Env : Speichert Umgebungsvariablen wie API -Schlüssel (nicht aus Sicherheitsgründen im Repository enthalten).

Zukünftige Verbesserungen

Wissensbasis erweitern: Fügen Sie weitere Dokumente oder Datenquellen hinzu.
Fein-Tun-Modelle: Passen Sie die Einbettung oder LLM für genauere Antworten an.
Erweiterte Benutzeroberfläche: Verbessern Sie die optimistische Schnittstelle mit zusätzlichen Funktionen wie der Antwortfilterung oder Feedback -Mechanismen.

Beitragen

Fühlen Sie sich frei, dieses Repository zu geben, eine Feature -Filiale zu erstellen und eine Pull -Anfrage für Verbesserungen oder Fehlerbehebungen einzureichen.