RAG Enhanced NCERT Tutor

Sistem Rag Buku NCERT

Proyek ini mengimplementasikan sistem Pengambilan-Agusted Generasi (RAG) untuk buku-buku NCERT menggunakan Ollama untuk database embedding dan vektor teks, dan API GROQ untuk respons model bahasa.

Fitur

• Menggunakan model embedding teks nomic melalui ollama untuk membuat embeddings vektor
• Toko Embeddings di Chromadb
• Memanfaatkan API Groq dengan model Llama 3 8B untuk menghasilkan respons
• Menyediakan frontend backend dan streamlit untuk interaksi pengguna

Antarmuka Streamlit

Di bawah ini adalah tangkapan layar dari antarmuka streamlit untuk sistem Rag NCERT Books kami:

Arsitektur Sistem

Berikut gambaran umum arsitektur sistem Rag Buku NCERT:

Arsitektur sistem terdiri dari komponen berikut:

1. Konsumsi data : Buku NCERT diproses dan disiapkan untuk penyematan.
2. Generasi Embedding : Ollama dengan model embedding teks nomik menciptakan embeddings vektor untuk teks yang diproses.
3. Penyimpanan Vektor : Chromadb menyimpan embedding yang dihasilkan untuk pengambilan yang efisien.
4. Pemrosesan kueri : Kueri pengguna diproses dan embeddings yang relevan diambil dari Chromadb.
5. Model Bahasa : API GROQ dengan model LLAMA 3 8B menghasilkan respons berdasarkan konteks yang diambil dan permintaan pengguna.
6. Backend : Fastapi menangani komunikasi antara frontend dan berbagai komponen sistem.
7. Frontend : StreamLit menyediakan antarmuka pengguna interaktif untuk meminta sistem dan menampilkan hasil.

Prasyarat

Sebelum Anda mulai, pastikan Anda telah memenuhi persyaratan berikut:

• Python 3.7+
• Ollama diinstal dan diatur
• Akun API GROQ dan Kunci API

Instalasi

1. Klon Repositori:

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

2. Instal dependensi yang diperlukan:

    pip install -r requirements.txt
   

3. Unduh dan atur ollama:

   • Ikuti instruksi di situs resmi Ollama untuk menginstal Ollama
   • Unduh model embedding teks nomic:

      ollama pull nomic-embed-text
     

4. Siapkan kunci API GROQ Anda:

   • Buat file .env di root proyek
   • Tambahkan Kunci API GROQ Anda:

      GROQ_API_KEY=your_api_key_here
     

Penggunaan

1. Mulailah backend fastapi:

    uvicorn main:app --reload
   

2. Luncurkan StreamLit UI:

    streamlit run streamlit_app.py
   

3. Buka browser web Anda dan navigasikan ke URL aplikasi streamlit (biasanya http://localhost:8501 )

4. Gunakan antarmuka untuk berinteraksi dengan sistem kain NCERT BUKU

Evaluasi Rag

Lisensi

Proyek ini dilisensikan di bawah lisensi MIT - lihat file lisensi untuk detailnya.

Berkontribusi

Kontribusi dipersilakan! Silakan mengirimkan permintaan tarik.

Ucapan Terima Kasih

• Ollama untuk menyediakan model penyematan
• Groq untuk LLM API mereka
• Fastapi dan Streamlit untuk kerangka backend dan frontend