contract qa high precision rag

Vertragsberater Rag: Aufbau einer hochpräzisen Rechtsexpertin LLM App

Einführung

Dieses Projekt konzentriert sich auf den Aufbau eines Tools mit hoher Präzisionsvertragsanalyse unter Verwendung der Abruf Augmented Generation (RAG). Dieser Ansatz nutzt die Befugnis von Großsprachmodellen (LLMs), um relevante Informationen aus externen Wissensquellen in diesem Fall rechtliche Verträge abzurufen. Ziel ist es, ein System zu erstellen, das Fragen zu Vertragsinhalten genau und effizient beantworten kann und als virtueller Rechtsassistent fungiert.

Inhaltsverzeichnis

1. Schlüsselmerkmale
2. Projektstruktur
3. Erste Schritte
4. Installation
5. Verwendung
6. Testen
7. Beitragen
8. Lizenz
9. Kontakt

Schlüsselmerkmale

• RAG -Framework : Nutzt das Langchain -Framework, um LLMs nahtlos in Vertragsdaten zu integrieren.
• OpenAI -GPT -Modelle : Verwendet die GPT -Modelle von OpenAI für das Verständnis und die Generation natürlicher Sprache.
• Autogenintegration : Integration mit Microsoft Autogen, um Konversations -KI -Wirkstoffe für eine interaktivere Benutzererfahrung zu erstellen.
• Weboberfläche : Bietet eine benutzerfreundliche Weboberfläche, mit der Benutzer mit dem System interagieren und Fragen zu Vertragsinhalten stellen können.
• FASTAPI-Backend : Verwendet Fastapi, um einen Hochleistungs-Backend-Server für die Verwaltung von Benutzeranfragen mithilfe von WebSockets zu erstellen und die Interaktion mit der RAG-Pipeline zu ermöglichen.
• Vektordatenbank : verwendet eine Vektordatenbank (z. B. Chroma), um Vertragsinformationen effizient zu speichern und abzurufen.
• Multi-Quer-Abruf : Erzeugt mehrere Abfragevariationen, um die Wahrscheinlichkeit zu verbessern, relevante Informationen zu finden.
• Neuranging : Verwendet die Wiederholungsmechanismen, um die kontextbezogensten Informationen zu priorisieren.
• Bewertung mit Ragas : Enthält eine robuste Bewertungspipeline unter Verwendung von Metriken wie Genauigkeit, Relevanz und Reaktionszeit zur Bewertung und Verbesserung der Leistung.

Projektstruktur

 project_root/
├── .github/         # GitHub Actions workflows
├── frontend/        # React frontend code
├── backend/         # FastAPI backend code
├── src/             # Source code for RAG pipeline, utils, etc.
├── tests/           # Unit and integration tests
├── README.md        # This file
└── requirements.txt # Project dependencies

Erste Schritte

Voraussetzungen

• Python 3.9+
• Pip
• Node.js v18+
• NPM - Zur Installation von Frontend -Abhängigkeiten

1. Klonen Sie dieses Repo

 git clone [email protected]:hillaryke/contract-qa-high-precision-rag.git
cd contract-qa-high-precision-rag

2. Konfigurieren Sie die Umgebung

Fügen Sie Ihre OpenAI_API_KEY in eine .Env -Datei im Projektstammverzeichnis hinzu.

Installation

1. Installieren Sie Abhängigkeiten

 pip install -r requirements.txt

Verwendung

1. Starten Sie den Fastapi -Server

Führen Sie den Befehl aus, um den Fastapi -Server zu starten:

 make run-server

Der Server beginnt unter http: // localhost: 8000//

2. Starten Sie das React -Frontend

 make run-frontend

In Ihrem Browser zugreifen Sie die Frontend -App von http: // localhost: 3000//

Testen

1. Führen Sie Tests aus

Verwenden Sie zum Ausführen der Tests den folgenden Befehl:

 make test

Lizenz

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

Kontakt

Für Fragen oder Unterstützung kontaktieren Sie mich bitte per E -Mail Hillary K.

Genießen!