RAG Enhanced NCERT Tutor

NCERT BOOKS SYSTEM

โครงการนี้ใช้ระบบการดึง (RAG) การดึงข้อมูล (RAG) สำหรับหนังสือ NCERT โดยใช้ Ollama สำหรับการฝังข้อความและฐานข้อมูลเวกเตอร์และ GROQ API สำหรับการตอบสนองแบบจำลองภาษา

คุณสมบัติ

• ใช้โมเดลการฝังข้อความชื่อผ่าน Ollama เพื่อสร้าง Embeddings Vector
• ร้านค้าฝังอยู่ใน Chromadb
• ใช้ GROQ API กับรุ่น LLAMA 3 8B สำหรับการสร้างคำตอบ
• จัดเตรียมแบ็กเอนด์ fastapi และส่วนหน้าสตรีมสำหรับการโต้ตอบผู้ใช้

อินเทอร์เฟซ Streamlit

ด้านล่างนี้เป็นภาพหน้าจอของอินเทอร์เฟซ Streamlit สำหรับระบบ NCERT Books Rag ของเรา:

สถาปัตยกรรมระบบ

นี่คือภาพรวมของสถาปัตยกรรม NCERT Books Rag:

สถาปัตยกรรมระบบประกอบด้วยส่วนประกอบต่อไปนี้:

1. การบริโภคข้อมูล : หนังสือ NCERT ได้รับการประมวลผลและเตรียมพร้อมสำหรับการฝัง
2. Embedding Generation : Ollama กับโมเดลการฝังข้อความ NOMIC สร้างการฝังเวกเตอร์สำหรับข้อความที่ประมวลผล
3. การจัดเก็บเวกเตอร์ : Chromadb เก็บการฝังตัวที่สร้างขึ้นเพื่อการดึงที่มีประสิทธิภาพ
4. การประมวลผลแบบสอบถาม : การสอบถามผู้ใช้ได้รับการประมวลผลและการฝังที่เกี่ยวข้องจะถูกดึงมาจาก Chromadb
5. รูปแบบภาษา : GROQ API พร้อม LLAMA 3 8B โมเดลสร้างการตอบสนองตามบริบทที่ดึงมาและแบบสอบถามผู้ใช้
6. แบ็กเอนด์ : Fastapi จัดการการสื่อสารระหว่างส่วนหน้าและส่วนประกอบของระบบต่างๆ
7. Frontend : StreamLit จัดเตรียมอินเทอร์เฟซผู้ใช้แบบโต้ตอบสำหรับการสืบค้นระบบและแสดงผลลัพธ์

ข้อกำหนดเบื้องต้น

ก่อนที่คุณจะเริ่มตรวจสอบให้แน่ใจว่าคุณได้ปฏิบัติตามข้อกำหนดต่อไปนี้:

• Python 3.7+
• Ollama ติดตั้งและตั้งค่า
• บัญชี GROQ API และคีย์ API

การติดตั้ง

1. โคลนที่เก็บ:

    git clone https://github.com/yourusername/ncert-rag-system.git
   cd ncert-rag-system
   

2. ติดตั้งการพึ่งพาที่ต้องการ:

    pip install -r requirements.txt
   

3. ดาวน์โหลดและตั้งค่า Ollama:

   • ทำตามคำแนะนำที่เว็บไซต์ทางการของ Ollama เพื่อติดตั้ง Ollama
   • ดาวน์โหลดโมเดลการฝังข้อความชื่อ:

      ollama pull nomic-embed-text
     

4. ตั้งค่าคีย์ GROQ API ของคุณ:

   • สร้างไฟล์ .env ในรูทโครงการ
   • เพิ่มคีย์ GROQ API ของคุณ:

      GROQ_API_KEY=your_api_key_here
     

การใช้งาน

1. เริ่มต้น Fastapi Backend:

    uvicorn main:app --reload
   

2. เปิดตัว UI Streamlit:

    streamlit run streamlit_app.py
   

3. เปิดเว็บเบราว์เซอร์ของคุณและนำทางไปยัง URL แอป Streamlit (โดยทั่วไปแล้ว http://localhost:8501 )

4. ใช้อินเทอร์เฟซเพื่อโต้ตอบกับระบบ NCERT Books Rag

การประเมินผ้าขี้ริ้ว

ใบอนุญาต

โครงการนี้ได้รับใบอนุญาตภายใต้ใบอนุญาต MIT - ดูไฟล์ใบอนุญาตสำหรับรายละเอียด

การบริจาค

ยินดีต้อนรับ! โปรดส่งคำขอดึง

กิตติกรรมประกาศ

• Ollama สำหรับการจัดหารูปแบบการฝัง
• GROQ สำหรับ LLM API ของพวกเขา
• fastapi และ streamlit สำหรับเฟรมเวิร์กแบ็กเอนด์และส่วนหน้า