RAG Enhanced NCERT Tutor

Sistema de trapo de NCERT Books

Este proyecto implementa un sistema de generación de recuperación (RAG) para libros NCERT que usan Ollama para la incrustación de texto y la base de datos de vectores, y la API Groq para la respuesta del modelo de lenguaje.

Características

• Utiliza el modelo de incrustación de texto nomic a través de Ollama para crear integridades vectoriales
• Tiendas de incrustaciones en ChromadB
• Utiliza Groq API con Llama 3 8B Modelo para generar respuestas
• Proporciona un backend de Fastapi y un interfaz de transmisión por interacción para el usuario

Interfaz de transmisión

A continuación se muestra una captura de pantalla de la interfaz de transmisión para nuestro sistema de trapo de NCERT Books:

Arquitectura del sistema

Aquí hay una descripción general de la arquitectura del sistema NCERT Books Rag:

La arquitectura del sistema consta de los siguientes componentes:

1. Ingestión de datos : los libros de NCERT se procesan y preparan para incrustar.
2. Generación de incrustación : Ollama con el modelo de incrustación de texto nomic crea integridades vectoriales para el texto procesado.
3. Almacenamiento vectorial : ChromAdB almacena los incrustaciones generadas para una recuperación eficiente.
4. Procesamiento de consultas : las consultas de los usuarios se procesan y se recuperan las integridades relevantes de ChromAdB.
5. Modelo de lenguaje : Groq API con Llama 3 8B El modelo genera respuestas basadas en el contexto recuperado y la consulta de usuario.
6. Backend : Fastapi maneja la comunicación entre el interfaz y los diversos componentes del sistema.
7. Frontend : Streamlit proporciona una interfaz de usuario interactiva para consultar el sistema y mostrar resultados.

Requisitos previos

Antes de comenzar, asegúrese de haber cumplido los siguientes requisitos:

• Python 3.7+
• Ollama instalado y configurado
• Cuenta de API de Groq y clave API

Instalación

1. Clon el repositorio:

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

2. Instale las dependencias requeridas:

    pip install -r requirements.txt
   

3. Descargar y configurar Ollama:

   • Siga las instrucciones en el sitio web oficial de Ollama para instalar Ollama
   • Descargue el modelo de incrustación de texto nomic:

      ollama pull nomic-embed-text
     

4. Configure su tecla API Groq:

   • Crear un archivo .env en la raíz del proyecto
   • Agregue su tecla API Groq:

      GROQ_API_KEY=your_api_key_here
     

Uso

1. Comience el backend de Fastapi:

    uvicorn main:app --reload
   

2. Inicie la interfaz de usuario de transmisión:

    streamlit run streamlit_app.py
   

3. Abra su navegador web y navegue a la URL de la aplicación de transmisión (generalmente http://localhost:8501 )

4. Use la interfaz para interactuar con el sistema de trapo de NCERT Books

Evaluación de trapo

Licencia

Este proyecto tiene licencia bajo la licencia MIT; consulte el archivo de licencia para obtener más detalles.

Que contribuye

¡Las contribuciones son bienvenidas! No dude en enviar una solicitud de extracción.

Expresiones de gratitud

• Ollama por proporcionar el modelo de incrustación
• Groq para su API LLM
• Fastapi y racionalización para los marcos de backend y frontend