contract qa high precision rag

Консультант по контракту RAG: Создание приложения LLM-эксперта с высоким юридическим экспертом

Введение

Этот проект фокусируется на создании инструмента анализа высокой точности контракта с использованием получения добычи в поисках (RAG). Этот подход использует силу крупных языковых моделей (LLMS) для извлечения соответствующей информации из внешних источников знаний, в данном случае, юридических контрактов. Цель состоит в том, чтобы создать систему, которая может точно и эффективно ответить на вопросы о содержании контракта, выступая в качестве виртуального юридического помощника.

Оглавление

1. Ключевые функции
2. Структура проекта
3. Начиная
4. Установка
5. Использование
6. Тестирование
7. Внося
8. Лицензия
9. Контакт

Ключевые функции

• Rag Framework : использует фреймворк Langchain для беспрепятственной интеграции LLM с данными контракта.
• Openai GPT Models : использует модели GPT Openai для понимания естественного языка и поколения.
• Аутогеновая интеграция : интеграция с Microsoft Autogen для создания разговорных агентов ИИ для более интерактивного пользовательского опыта.
• Веб-интерфейс : предоставляет удобный веб-интерфейс для пользователей для взаимодействия с системой и задавать вопросы о содержании контракта.
• Backend FastApi : использует FastAPI для создания высокопроизводительного бэкэнд-сервера для обработки запросов пользователей с использованием WebSockets и разрешения взаимодействия с Rag Pipeline.
• Векторная база данных : использует векторную базу данных (например, Chroma) для эффективного хранения и получения информации о контракте.
• Многопрофильный поиск : генерирует множество вариаций запросов, чтобы улучшить шансы на поиск соответствующей информации.
• Повторная оценка : использует механизмы повторного рейтинга для расстановки приоритетов наиболее актуальной информации.
• Оценка с использованием Ragas : включает в себя надежный конвейер оценки с использованием таких метрик, как точность, актуальность и время отклика для оценки и улучшения производительности.

Структура проекта

 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

Начиная

Предварительные условия

• Python 3.9+
• пип
• Node.js V18+
• NPM - для установки зависимостей фронта

1. Клонировать это репо

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

2. Настройте среду

Добавьте свой openai_api_key в файл .env в каталоге Project Root.

Установка

1. Установите зависимости

 pip install -r requirements.txt

Использование

1. Запустите сервер FASTAPI

Запустите команду, чтобы запустить сервер FASTAPI:

 make run-server

Сервер начнется по адресу http: // localhost: 8000/

2. Начните фронтаж React

 make run-frontend

В вашем браузере доступ к приложению Frontend от http: // localhost: 3000/

Тестирование

1. Запустите тесты

Чтобы запустить тесты, используйте следующую команду:

 make test

Лицензия

Этот проект лицензирован по лицензии MIT - для получения подробной информации см. Файл лицензии.

Контакт

По любым вопросам или поддержке, пожалуйста, свяжитесь со мной по электронной почте Хиллари К ..

Наслаждаться!