RAG Framework

RAG-RAMEWORK

Ein Python-Framework zur Implementierung der Abruf-Generation (RAG) mithilfe einer Vektor-Store-Datenbank. In diesem Framework wird das Vektor-Store-Repository verwendet, um Einbettungen für eine effektive Lag-Implementierung zu speichern und abzurufen.

Struktur

• main.py - das Hauptrahmen für Lappenpipeline, Verarbeitung der Eingabe und orchestrieren des Lappenflusss.
• LLM.PY - Ein Modul, das mit der Google Gemini -API mit einem großen Sprachmodell (LLM) zum Erzeugen von Antworten simuliert wird.
• get_embedding.py - Ein Skript zum Generieren von Einbetten von .txt -Dateien mithilfe des SentcetRansformer -Modells.
• comm -vectorStore.py - Ein Kommunikationsmodul, das Einbettung in den Vektor Store für Speicher und Abruf hochladen.

Verwendung

1. Klonen Sie das Vektor-Store-Repository und richten Sie es gemäß den Anweisungen ein.
2. Konfigurieren Sie die main.py und get_embedding.py , um Ihre Vektor-Store-Datenbank zu verwenden.
3. Führen Sie main.py aus, um die RAG -Pipeline mit jedem Eingabetxt auszuführen.

Anforderungen

• Python 3.x
• Satztransformer - zum Generieren von Texteinbettungen
• NLTK - Für die Satztokenisierung
• Google Gemini API -Anmeldeinformationen für llm.py (oder eine kompatible LLM -API für Inferenz)

Installation

pip install -r requirements.txt