Adanvced Multidatabased RAG Chatbot

แอปพลิเคชันถาม & ตอบ Rag ขั้นสูงพร้อม Langchain

ภาพรวม

โครงการนี้แสดงให้เห็นถึงการสร้างแอปพลิเคชั่น Agensed Augmented Generation (RAG) ขั้นสูง (RAG) โดยใช้ Langchain ด้วยการรวมแหล่งข้อมูลหลายแหล่ง - วิกิพีเดียเว็บไซต์ที่กำหนดเองและฐานข้อมูลรายงานการวิจัย (RIVE) - แอปพลิเคชันนี้ให้คำตอบที่ครอบคลุมโดยเลือกแหล่งข้อมูลที่เกี่ยวข้องมากที่สุดสำหรับแต่ละแบบสอบถาม

ไฮไลท์

• การรวมแหล่งข้อมูลหลายแหล่ง : สร้าง whappers สำหรับ Wikipedia เว็บไซต์ที่กำหนดเองและ Rive ช่วยให้มีปฏิสัมพันธ์กับแหล่งข้อมูลเหล่านี้เป็นหน่วยงานที่แตกต่างกัน
• ตัวแทน Langchain : ใช้ตัวแทน Langchain เพื่อเลือกเครื่องมือที่เหมาะสมตามแบบสอบถามแบบไดนามิกตามแบบสอบถามของผู้ใช้
• การรวมเครื่องมือ : รวมเครื่องมือหลายอย่างไว้ในรายการเดียวโดยใช้ Python และเชื่อมต่อกับรุ่น LLM ที่เลือกผ่าน create_openai_tool_agent
• เทมเพลตพรอมต์ : ใช้เทมเพลตพรอมต์จากฮับของ Langchain เพื่อเป็นแนวทางในการโต้ตอบ LLM
• การดำเนินการตัวแทน : ดำเนินการตัวแทนและเครื่องมือโดยใช้ agent_executor เพื่อดึงข้อมูลและให้คำตอบที่ครอบคลุม

การติดตั้ง

1. โคลนที่เก็บ :

   git clone https://github.com/your-repo/advanced-rag-qa-app.git
   cd advanced-rag-qa-app

2. ติดตั้งการพึ่งพา : PIP Install -r required.txt
3. ตั้งค่าตัวแปรสภาพแวดล้อม : สร้างไฟล์. env ในไดเรกทอรีรูทและเพิ่มตัวแปรต่อไปนี้:
   • openai_api_key = your_openai_api_key
   • wikipedia_api_key = your_wikipedia_api_key
   • custom_website_url = your_custom_website_url

การใช้งาน รันแอปพลิเคชัน: streamlit run app.py

โต้ตอบกับแอปพลิเคชัน : เปิด URL ที่ให้ไว้ในเบราว์เซอร์ของคุณเพื่อเริ่มสอบถามแอปพลิเคชัน Q&A RAG

โครงสร้างโครงการ

app.py: สคริปต์หลักในการรันแอพ streamlit

config.py: การตั้งค่าการกำหนดค่าและตัวแปรสภาพแวดล้อม

langchain_utils.py: ฟังก์ชั่นยูทิลิตี้สำหรับการรวม Langchain

data_sources/: มี wrappers สำหรับ wikipedia, เว็บไซต์ที่กำหนดเองและ Rive

เทมเพลต/: เทมเพลตพรอมต์ที่ใช้สำหรับแนวทางการโต้ตอบ LLM

ข้อกำหนด. txt: รายการของการพึ่งพา Python

การบริจาค หากคุณต้องการมีส่วนร่วมในโครงการนี้โปรดแยกที่เก็บและส่งคำขอดึงด้วยการเปลี่ยนแปลงของคุณ