RAG Enhanced NCERT Tutor

NCERT Books Rag System

Dieses Projekt implementiert ein RAG-System (Abruf-Augmented-Generation) für NCERT-Bücher, die Ollama für Texteinbettung und Vektordatenbank sowie die GROQ-API für die Reaktion des Sprachmodells verwenden.

Merkmale

• Verwendet Nomic Text -Einbettungsmodell über Ollama zum Erstellen von Vektoreinbettungen
• Geschäfte Einbettung in Chromadb
• Verwendet die GROQ -API mit LLAMA 3 8B -Modell zur Erzeugung von Antworten
• Bietet ein Fastapi -Backend und ein optimistisches Frontend für die Benutzerinteraktion

Optimale Schnittstelle

Unten finden Sie einen Screenshot der optimistischen Schnittstelle für unser NCERT -Bücher -Rag -System:

Systemarchitektur

Hier ist ein Überblick über die NCERT Books Rag -Systemarchitektur:

Die Systemarchitektur besteht aus den folgenden Komponenten:

1. Datenaufnahme : NCERT -Bücher werden für die Einbettung verarbeitet und vorbereitet.
2. Einbettung der Erzeugung : Ollama mit dem Nomic -Text -Einbettungsmodell erstellt Vektoreinbettungen für den verarbeiteten Text.
3. Vektorspeicherung : Chromadb speichert die erzeugten Einbettungen für ein effizientes Abruf.
4. Abfrageverarbeitung : Benutzeranfragen werden verarbeitet und relevante Einbettungen aus Chromadb abgerufen.
5. Sprachmodell : GROQ -API mit LLAMA 3 8B -Modell generiert Antworten basierend auf dem abgerufenen Kontext und der Benutzerabfrage.
6. Backend : Fastapi behandelt die Kommunikation zwischen Frontend und den verschiedenen Systemkomponenten.
7. Frontend : Streamlit bietet eine interaktive Benutzeroberfläche zum Abfragen des Systems und zum Anzeigen von Ergebnissen.

Voraussetzungen

Stellen Sie vor Beginn sicher, dass Sie die folgenden Anforderungen erfüllt haben:

• Python 3.7+
• Ollama installiert und eingerichtet
• GROQ -API -Konto und API -Schlüssel

Installation

1. Klonen Sie das Repository:

    git clone https://github.com/yourusername/ncert-rag-system.git
   cd ncert-rag-system
   

2. Installieren Sie die erforderlichen Abhängigkeiten:

    pip install -r requirements.txt
   

3. Download und einrichten Ollama:

   • Befolgen Sie die Anweisungen auf der offiziellen Website von Ollama, um Ollama zu installieren
   • Laden Sie das Nomic Text -Einbettungsmodell herunter:

      ollama pull nomic-embed-text
     

4. Richten Sie Ihren COQ -API -Schlüssel ein:

   • Erstellen Sie eine .env -Datei im Projektstamm
   • Fügen Sie Ihren COQ -API -Schlüssel hinzu:

      GROQ_API_KEY=your_api_key_here
     

Verwendung

1. Starten Sie das Fastapi -Backend:

    uvicorn main:app --reload
   

2. Starten Sie die optimistische Benutzeroberfläche:

    streamlit run streamlit_app.py
   

3. Öffnen Sie Ihren Webbrowser und navigieren Sie zur Stromlit -App -URL (normalerweise http://localhost:8501 )

4. Verwenden Sie die Schnittstelle, um mit dem NCERT Books Rag -System zu interagieren

Lappenbewertung

Lizenz

Dieses Projekt ist unter der MIT -Lizenz lizenziert - Einzelheiten finden Sie in der Lizenzdatei.

Beitragen

Beiträge sind willkommen! Bitte zögern Sie nicht, eine Pull -Anfrage einzureichen.

Anerkennung

• Ollama zur Bereitstellung des Einbettungsmodells
• GROQ für ihre LLM -API
• Fastapi und Strom für die Backend- und Frontend -Frameworks