document answer langchain pinecone openai

Dokumen menjawab dengan langchain, pinecone dan openai

Langchain memberikan integrasi yang mudah digunakan untuk memproses dan meminta dokumen dengan Pinecone dan embeddings Openai. Dengan repositori ini, Anda dapat memuat PDF, membagi isinya, menghasilkan embeddings, dan membuat sistem jawaban pertanyaan menggunakan alat yang disebutkan di atas.

Struktur Repositori:

• embbeding_doc.py : skrip utama untuk memuat PDF, membagi kontennya, menghasilkan embeddings menggunakan openai, dan menyimpannya dengan pinecone.
• constants.py : Memegang konstanta yang digunakan di seluruh repositori.
• app.py : A Streamlit application that allows you to query the embedded documents using a question-answering chain.

Persyaratan:

1. Python 3+
2. Kunci API Pinecone
3. Kunci API Openai
4. Streamlit
5. Modul yang diperlukan seperti yang terlihat dalam kode (misalnya, langchain, pinus)

Mulai Cepat:

1. Mengatur konfigurasi :

   • Anda harus membuat file config.py yang mendefinisikan yang berikut:

      OPENAI_API_KEY = 'YOUR_OPENAI_API_KEY'
     PINECONE_API_KEY = 'YOUR_PINECONE_API_KEY'
     PINECONE_API_ENVIRONMENT = 'YOUR_PINECONE_ENVIRONMENT'

2. Jalankan embbeding_doc.py :

   • Ini akan memuat PDF yang disediakan, membagi kontennya, menghasilkan embeddings, dan menyimpannya untuk melakukan pinecone.

     $ python embbeding_doc.py

3. Mulai aplikasi streamLit :

   • Gunakan StreamLit untuk menjalankan skrip app.py

     $ streamlit run app.py

   • Setelah aplikasi berjalan, Anda dapat memasukkan pertanyaan yang terkait dengan konten PDF, dan itu akan memberikan jawaban yang relevan dengan menggunakan embeddings yang dibuat dan rantai pertanyaan.

Catatan Penting:

• Ini adalah pengaturan sampel. Bergantung pada kebutuhan Anda, Anda mungkin ingin memodifikasi strategi pemuatan, pemisahan, dan penyematan dokumen.
• Pastikan kunci API OpenAI Anda dan kunci API Pinecone dijaga kerahasiaan dan tidak didorong ke repositori publik.