Retrieval Augmented Generation Intro Project
1.0.0
Willkommen zum RAG -Projekt Abruf Augmented Generation (RAG)! ? Dieses Projekt zielt darauf ab, die praktischen Anwendungen von LAG unter Verwendung von Python -Code in einer Jupyter -Notebook -Umgebung einzuführen und zu demonstrieren. Der Llamaindex wird hier verwendet. Wir glauben, dass das Lernen und Experimentieren mit Lappen sowohl lehrreich als auch Spaß sein sollte! ?
Das Projekt ist in mehrere Ordner organisiert:
Dateien : Dieser Ordner enthält wichtige Dateien für Ihre Referenz:
readme.md : Sie lesen gerade diese Datei! Es bietet einen Überblick über das Projekt.Intro of Retrieval Augmented Generation (RAG) and application demos_Henry.pdf : Diese Datei erläutert die Hintergrundinformationen und liefert zusätzliche Informationen von praktischen Experimenten mithilfe von RAG. Es ist ein Muss, anzufangen! python_env : In diesem Ordner finden Sie die NLP.yml -Datei. Importieren Sie diese YAML -Datei, um eine dedizierte Python -Umgebung zum nahtlosen Ausführen des Codes zu erstellen.
Code : Der code enthält drei Jupyter -Notebook -Dateien, die jeweils ein anderes Experiment darstellen:
1_Basic_RAG_Pipeline.ipynb : Dieses Notizbuch zeigt die grundlegende Lag -Pipeline. Es ist ein großartiger Ausgangspunkt für das Verständnis der Grundlagen des Lappen.2_Sentence_window_retrieval.ipynb : Dieses Notizbuch untersucht das Konzept des Satzfensters mit dem Abrufen von Lappen. Ermitteln Sie, wie Lag Informationen aus einem bestimmten Kontextfenster abrufen kann.3_Auto-merging_Retrieval.ipynb : In diesem Notebook erfahren Sie mehr über das Abrufen von Auto-Merging und wie es den Erzeugungsprozess verbessert. Aufregendes Zeug! Daten : Im data können Sie Ihre eigenen Dokumente für das Abrufen speichern. Im Moment haben wir eine Beispieldatei namens Henry.txt aufgenommen. Fühlen Sie sich frei, es durch Ihre eigenen Dokumente zu ersetzen, um mit Lappen zu experimentieren.
Gemeinsam : In diesem Ordner finden Sie die openAI.env -Datei. Vergessen Sie nicht, Ihren OpenAI -API -Schlüssel in dieser Datei hinzuzufügen, um eine nahtlose Interaktion mit den OpenAI -Modellen zu ermöglichen.
Befolgen Sie die folgenden Schritte, um Ihre Lumpenreise zu beginnen:
Klonen oder laden Sie dieses Projektrepository auf Ihren lokalen Computer herunter.
Importieren Sie die NLP.yml -Datei in den Ordner python_env , um eine dedizierte Python -Umgebung zu erstellen. Dies stellt sicher, dass alle Abhängigkeiten ordnungsgemäß installiert sind.
Öffnen Sie im common Ordner die openAI.env -Datei und geben Sie Ihre OpenAI -API -Schlüssel ein. Dieser Schritt ist entscheidend für den Zugriff auf OpenAI -Modelle.
Machen Sie sich im Projekt mit dem Projekt vertraut, indem Sie das Intro der Datei der Dateien in Dateien im Ordner files Intro of Retrieval Augmented Generation (RAG) and application demos_Henry.pdf lesen. Es bietet wichtige Hintergrundinformationen und praktische Experimente.
Erkunden Sie die drei Jupyter-Notebook-Dateien ( 1_Basic_RAG_Pipeline.ipynb , 2_Sentence_window_retrieval.ipynb und 3_Auto-merging_Retrieval.ipynb ) im code . Führen Sie die Notizbücher aus, um Rag in Aktion zu sehen!
Experimentieren Sie mit RAG, indem Sie die angegebenen Beispiele ändern oder Ihre eigenen Dokumente im data verwenden. Fühlen Sie sich frei, kreativ zu werden und Spaß damit zu haben! ?
Glückwunsch! Sie sind jetzt mit den notwendigen Informationen und Tools ausgestattet, um zu lernen, sich zu bewerben und Spaß mit Abruf Augmented Generation (LAG) zu haben. Wir hoffen, dieses Projekt weckt Ihre Neugier und ermutigt Sie, die aufregende Welt des Lags mit den bereitgestellten Jupyter -Notizbüchern zu erkunden. Viel Spaß beim Erzeugen! ?
Wenn Sie Fragen haben oder weitere Hilfe benötigen, zögern Sie bitte nicht, sich zu wenden. Genieße deine Lumpenreise! ?
