AI assistant ollama

Ai-Assistant-ollama

คำอธิบายโครงการ

โครงการนี้แสดงให้เห็นถึงวิธีการใช้ส่วนประกอบต่าง ๆ จากไลบรารี langchain_community และ langchain_core ในการโหลดแปลงฝังและดึงเอกสารจากฐานข้อมูล PostgreSQL ที่เปิดใช้งาน PGVector เอกสารนั้นมาจาก URL เปลี่ยนเป็นข้อความแบ่งออกเป็นชิ้นที่จัดการได้และเก็บไว้เป็นเวกเตอร์ในฐานข้อมูลสำหรับการดึงข้อมูล โครงการยังแสดงวิธีการสร้างเชน RAG (Retrieval-Augmented Generation) โดยใช้โมเดลภาษา Ollama เพื่อตอบคำถามตามบริบทที่ดึงมาจากร้านค้าเวกเตอร์

ข้อกำหนดเบื้องต้น

• Python 3.7+
• PostgreSQL พร้อมเปิดใช้งาน PGVector
• Docker (ไม่บังคับสำหรับการรัน postgreSQL กับ pgVector)

การติดตั้ง

1. โคลนที่เก็บ:

git clone https://github.com/Atomic-man007/AI-assistant-ollama.git

2. สร้างสภาพแวดล้อมเสมือนจริงและเปิดใช้งาน:

python -m venv venv
source venv/bin/activate  # On Windows, use `venvScriptsactivate`

3. ติดตั้งแพ็คเกจที่ต้องการ:

pip install -r requirements.txt

4. ตั้งค่า PostgreSQL พร้อมเปิดใช้งาน PGVector คุณสามารถใช้ Docker เพื่อหมุนอินสแตนซ์ PostgreSQL อย่างรวดเร็วด้วย PGVector:

docker run --name pgvector -e POSTGRES_PASSWORD=mysecretpassword -d -p 5432:5432 ankane/pgvector

5. ตั้งค่าตัวแปรสภาพแวดล้อม DB_URL เพื่อชี้ไปที่อินสแตนซ์ PostgreSQL ของคุณ:

 export DB_URL=postgresql://postgres:mysecretpassword@localhost:5432/postgres

การใช้งาน

1. อัปเดตรายการ urls ในฟังก์ชั่น main ด้วย URL ของเอกสารที่คุณต้องการดำเนินการ

2. เรียกใช้สคริปต์:

python main.py

ส่วนประกอบ

• ASYNCHTMLLOADER : โหลดเนื้อหา HTML แบบอะซิงโครนัสจาก URL ที่ให้ไว้
• HTML2TextTransformer : แปลงเอกสาร HTML เป็นข้อความธรรมดา
• Ollamaembeddings : ฝังเอกสารข้อความลงในพื้นที่เวกเตอร์
• PGVECTOR : การใช้งานร้านค้าเวกเตอร์โดยใช้ PostgreSQL พร้อมส่วนขยาย PGVector
• RecursiveCharacterTextSplitter : แยกเอกสารข้อความออกเป็นชิ้นขนาดที่ระบุ
• ChatPromptTemplate : สร้างเทมเพลตพรอมต์แชทสำหรับการสร้างคำตอบ
• RunnablePassthrough : passthrough runnable สำหรับการผูกมัดส่วนประกอบ
• Ollama : รูปแบบภาษาที่ใช้ในการสร้างคำตอบตามบริบทที่ดึงมา

ตัวอย่าง

สคริปต์แสดงขั้นตอนต่อไปนี้:

1. โหลดเอกสาร HTML จาก URL ที่ให้ไว้
2. แปลงเอกสาร HTML เป็นข้อความธรรมดา
3. แบ่งเอกสารข้อความออกเป็นชิ้นเล็ก ๆ
4. ฝังชิ้นข้อความลงในพื้นที่เวกเตอร์และเก็บไว้ในฐานข้อมูล PostgreSQL
5. ดึงบริบทที่เกี่ยวข้องจากร้านค้าเวกเตอร์
6. ใช้บริบทที่ดึงมาเพื่อสร้างการตอบสนองต่อคำถามโดยใช้โมเดลภาษา Ollama

ใบอนุญาต

โครงการนี้ได้รับใบอนุญาตภายใต้ใบอนุญาต MIT ดูไฟล์ใบอนุญาตสำหรับรายละเอียด

กิตติกรรมประกาศ

• langchain_community และ langchain_core Libraries สำหรับการจัดหาส่วนประกอบที่ใช้ในโครงการนี้
• PostgreSQL และ PGVECTOR สำหรับการใช้งาน Vector Store
• Ollama สำหรับรูปแบบภาษาที่ใช้ในการสร้างคำตอบ