RAG Framework

FRAME RAGWORK

Uma estrutura do Python para implementar a geração de recuperação (RAG) usando um banco de dados de estoque vetorial. Essa estrutura utiliza o repositório de lojas vetoriais para armazenar e recuperar incorporação para uma implementação eficaz de trava.

Estrutura

• Main.py - a estrutura principal do pipeline RAG, processando a entrada e orquestra o fluxo de pano.
• LLM.PY - Um módulo que interfina a API do Google Gemini, simulando um grande modelo de idioma (LLM) para gerar respostas.
• get_embedding.py - um script para gerar incorporações a partir de arquivos .txt usando o modelo Sentencetransformer.
• COMM -VECTORTORE.PY - Um módulo de comunicação que carrega incorporações no Vector Store para armazenamento e recuperação.

Uso

1. Clone o repositório de lojas vetoriais e configure-o de acordo com as instruções.
2. Configure o main.py e get_embedding.py para usar seu banco de dados de estoque vetorial.
3. Execute main.py para executar o pipeline RAG com qualquer texto de entrada.

Requisitos

• Python 3.x
• Transformadores de frases - para gerar incorporações de texto
• NLTK - para tokenização de frases
• Credenciais da API do Google Gemini para llm.py (ou qualquer API LLM compatível para inferência)

Instalação

pip install -r requirements.txt