RagDocs

Ragas

Ragdocs est une solution open-source de pointe qui révolutionne la façon dont vous interagissez avec la documentation. En combinant la puissance des LLM locaux avec une génération (RAG) de la récupération de la technologie (RAG) , les développeurs peuvent instantanément obtenir des réponses précises de leur documentation sans aucun coût d'API.

Dites adieu aux appels API coûteux et aux problèmes de confidentialité. Avec Ragdocs , toute votre documentation reste privée tout en fournissant des interactions de type chatppt. Construit avec Milvus Vector Search et Next.js, il est prêt pour la production et facile à déployer. Découvrez l'avenir de la recherche de documentation avec une confidentialité complète des données et aucun frais d'utilisation.

Rag.demo.1.mp4

? Caractéristiques

• ? Interface de chat intelligente : interface conversationnelle adaptée à la documentation technique.
• ? Génération augmentée de récupération de pointe : réponses précises et consacrées au contexte.
• ? Support LLM local : intégré à Olllama pour la confidentialité et l'efficacité.
• Recherche de vecteur alimentée par Milvus : requête de document rapide et évolutive.
• Frontend moderne Next.js : expérience utilisateur élégante et en temps réel.
• Support multi-documents : manipulation transparente de diverses piles technologiques.
• ⚡ Traitement rapide des documents : ingestion et analyse efficaces des mises à jour.
• Mises à jour incrémentielles : gardez votre documentation en synchronisation sans effort.

---

Architecture

 ragdocs/
├── data/                         # Documentation storage
│   ├── milvus_docs/              # Milvus documentation
│   ├── qdrant_docs/              # Qdrant documentation
│   └── weaviate_docs/            # Weaviate documentation
├── milvus/                       # Milvus standalone setup
│   └── standalone_embed.sh       # Milvus standalone script
├── ragdocs_api/                  # FastAPI backend
│   ├── conversation_api.py       # Chat API endpoints
│   ├── file_tracker.py           # Document change tracking
│   ├── llm_provider.py           # LLM integration (Ollama)
│   ├── markdown_processor.py     # Markdown processing
│   └── rag_system.py             # Core RAG implementation
└── ragdocs_frontend/             # Next.js frontend
    └── src/                      # Frontend source code

---

Commencer

Condition préalable

• Python 3.12+
• Node.js 20.17.0
• Milvus 2.0+
• Olllama (pour le support LLM local)

Installez Node.js avec NVM :

nvm install 20.17.0
nvm use 20.17.0

---

Installation

1. Clone le référentiel :

git clone https://github.com/AlexisBalayre/RagDocs.git
cd RagDocs

2. Installez les dépendances Python :

 # Install poetry if not already installed
curl -sSL https://install.python-poetry.org | python3 -

# Install project dependencies
poetry install
poetry shell

Dépendances clés:

• Llama-Index: 0.11.22
• Fastapi: 0,115.4
• milvus-lite: 2.4.10
• Transformateurs de phrases: 2.7.0
• torche: 2.5.1

3. Installez les dépendances du frontend :

 cd ragdocs_frontend
yarn

4. Configurer des variables d'environnement :

cp example.env.local .env.local
# Edit .env.local with your configuration

5. Démarrer Milvus :

 cd milvus
bash standalone_embed.sh start

6. Exécutez le backend :

poetry run uvicorn ragdocs_api.conversation_api:app --reload

7. Exécutez le frontend :

 cd ragdocs_frontend
yarn dev

---

Usage

1. Ajouter une documentation : placez les fichiers dans les dossiers respectifs sous data/ .
2. Commencez à discuter : utilisez le frontend pour discuter avec et explorez votre documentation.
3. Comparez les piles technologiques : tirez parti des fonctionnalités de comparaison intégrées pour l'analyse.

---

? Configuration

Modifiez le fichier .env.local pour les paramètres clés:

 MILVUS_HOST = localhost
MILVUS_PORT = 19530
OLLAMA_MODEL = llama3.2 

---

? Contributif

Les contributions sont encouragées! Suivez ces étapes:

1. Fourk le référentiel.
2. Créer une branche de fonctionnalité:

git checkout -b feature/AmazingFeature

3. Commentez vos modifications:

git commit -m ' Add some AmazingFeature '

4. Poussez votre branche:

git push origin feature/AmazingFeature

5. Ouvrez une demande de traction.

---

Licence

Ce projet est autorisé sous la licence du MIT. Voir le fichier de licence pour plus de détails.

---

Remerciements

• Vercel AI Chatbot - Inspiration du modèle pour le frontend.
• Llamaindex - Alimentation des capacités de chiffon.
• Milvus - Backend de recherche vectorielle efficace.
• OLLAMA - Support LLM local.

---

Soutien

Si ce projet ajoute de la valeur à votre travail, veuillez lui donner une étoile!

Votre soutien fait une différence et encourage le développement ultérieur. Les commentaires et les suggestions de fonctionnalités sont toujours les bienvenues!