lauzcom assistant

lauzcom assistant

lauzcom assistant é uma solução interativa e fácil de usar, projetada para fornecer acesso contínuo a dados críticos da Swisscom. Ao integrar modelos GPT poderosos, os clientes podem facilmente fazer perguntas sobre dados públicos da Swisscom e receber respostas precisas rapidamente.

Diga adeus às pesquisas manuais demoradas e deixe lauzcom assistant revolucionar as interações com o cliente.

Autores

O projeto lauzcom assistant é criado por:

• Carmem Marcos
• Dan Rosendal

Índice

• Demonstração
• Arquitetura
• Início rápido
• Ambiente de desenvolvimento
  • Execute Mongo e Redis
  • Execute o back-end
  • Execute o front-end
• Licença

Demonstração

Vídeo de demonstração

Arquitetura

Início rápido

Observação

Certifique-se de ter o Docker instalado

No macOS ou Linux, execute:

./setup.sh

Ele instala todas as dependências e permite baixar um modelo localmente ou usar OpenAI. LauzHack Assistant agora é executado em http://localhost:5173.

Caso contrário, siga estas etapas:

1. Baixe e abra este repositório com git clone [email protected]:cern-lauzhack-2023/Lauzcom-Assistant.git .

2. Crie um arquivo .env em seu diretório raiz e defina a variável env API_KEY com sua chave de API OpenAI e VITE_API_STREAMING como verdadeiro ou falso, dependendo se você deseja transmitir respostas ou não.

   API_KEY= < YourOpenAIKey >
   VITE_API_STREAMING=true

   Consulte variáveis ​​de ambiente opcionais nos arquivos /.env-template e /application/.env_sample.

3. Execute ./run-with-docker-compose.sh.

4. LauzHack Assistant agora é executado em http://localhost:5173.

Para parar, pressione Ctrl + C .

Ambiente de desenvolvimento

Execute Mongo e Redis

Para desenvolvimento, apenas dois contêineres são usados ​​do docker-compose.yaml (excluindo todos os serviços, exceto Redis e Mongo). Consulte o arquivo docker-compose-dev.yaml.

Correr:

docker compose -f docker-compose-dev.yaml build
docker compose -f docker-compose-dev.yaml up -d

Execute o back-end

Observação

Certifique-se de ter o Python 3.10 ou 3.11 instalado.

1. Exporte as variáveis ​​de ambiente necessárias ou prepare um arquivo .env na pasta /application .
   • Copie .env_sample e crie .env com seu token de API OpenAI para os campos API_KEY e EMBEDDINGS_KEY .

(confira application/core/settings.py se quiser ver mais opções de configuração.)

2. (opcional) Crie um ambiente virtual Python: Siga a documentação oficial do Python para ambientes virtuais.

   a) No Linux e macOS:

   python -m venv venv
   . venv/bin/activate

   b) No Windows:

   python -m venv venv
   venv/Scripts/activate

3. Instale dependências para o back-end:

pip install -r application/requirements.txt

4. Execute o aplicativo usando:

flask --app application/app.py run --host=0.0.0.0 --port=7091

A API de back-end agora é executada em http://localhost:7091.

5. Comece o trabalhador com:

celery -A application.app.celery worker -l INFO

Execute o front-end

Observação

Certifique-se de ter o Node versão 16 ou superior.

1. Navegue até a pasta /frontend.
2. Instale os pacotes necessários husky e vite (ignore se já estiver instalado).

npm install husky -g
npm install vite -g

3. Instale dependências executando:

npm install --include=dev

4. Execute o aplicativo usando:

npm run dev

O frontend agora é executado em http://localhost:5173.

Licença

A licença do código fonte é MIT, conforme descrito no arquivo LICENSE.

Construído com? ? LangChain