contract qa high precision rag

契約アドバイザーRAG：高精度の法律専門家LLMアプリの構築

導入

このプロジェクトは、検索拡張生成（RAG）を使用した高精度契約分析ツールの構築に焦点を当てています。このアプローチは、大規模な言語モデル（LLMS）の力を活用して、外部の知識ソース、この場合は法的契約から関連する情報を取得します。目標は、契約コンテンツに関する質問に正確かつ効率的に答えることができるシステムを作成し、仮想法律アシスタントとして機能することです。

目次

1. 重要な機能
2. プロジェクト構造
3. はじめる
4. インストール
5. 使用法
6. テスト
7. 貢献
8. ライセンス
9. 接触

重要な機能

• RAGフレームワーク：Langchainフレームワークを活用して、LLMを契約データとシームレスに統合します。
• Openai GPTモデル：自然言語の理解と生成のためにOpenaiのGPTモデルを利用しています。
• オートゴンの統合：Microsoft Autogenとの統合で、よりインタラクティブなユーザーエクスペリエンスのための会話型AIエージェントを作成します。
• Webインターフェイス：ユーザーがシステムと対話し、契約コンテンツについて質問するためのユーザーフレンドリーなWebインターフェイスを提供します。
• FASTAPIバックエンド：FastAPIを使用して、WebSocketを使用してユーザー要求を処理するための高性能バックエンドサーバーを作成し、RAGパイプラインとの対話を可能にします。
• ベクトルデータベース：ベクトルデータベース（例えば、Chroma）を使用して、契約情報を効率的に保存および取得します。
• マルチクエリ検索：複数のクエリバリエーションを生成して、関連情報を見つける可能性を向上させます。
• 再ランク：再ランクメカニズムを採用して、最も文脈に関連する最も関連する情報を優先します。
• Ragasを使用した評価：精度、関連性、応答時間などのメトリックを使用して、パフォーマンスを評価および改善する堅牢な評価パイプラインが含まれます。

プロジェクト構造

 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

はじめる

前提条件

• Python 3.9+
• ピップ
• node.js v18+
• NPM-フロントエンド依存関係をインストールするため

1。このレポをクローンします

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

2。環境を構成します

Project Root Directoryの.ENVファイルにOpenAI_API_KEYを追加します。

インストール

1.依存関係をインストールします

 pip install -r requirements.txt

使用法

1. Fastapiサーバーを起動します

コマンドを実行して、Fastapiサーバーを起動します。

 make run-server

サーバーはhttp：// localhost：8000/

2。反応フロントエンドを開始します

 make run-frontend

ブラウザでhttp：// localhost：3000/からフロントエンドアプリにアクセスしてください

テスト

1.テストを実行します

テストを実行するには、次のコマンドを使用します。

 make test

ライセンス

このプロジェクトは、MITライセンスに基づいてライセンスされています。詳細については、ライセンスファイルを参照してください。

接触

質問やサポートについては、メールをメールでご連絡ください。

楽しむ！