document answer langchain pinecone openai

Document Answering with Langchain, Pinecone and OpenAI

Langchain provides an easy-to-use integration for processing and querying documents with Pinecone and OpenAI's embeddings. Com este repositório, você pode carregar um PDF, dividir seu conteúdo, gerar incorporação e criar um sistema de resposta a perguntas usando as ferramentas acima mencionadas.

Repository Structure:

• embbeding_doc.py : O script primário para carregar um PDF, dividir seu conteúdo, gerar incorporações usando o OpenAI e salvá -las com Pinecone.
• constants.py : mantém as constantes usadas no repositório.
• app.py : Um aplicativo de streamlit que permite consultar os documentos incorporados usando uma cadeia de respostas à pergunta.

Requirements:

1. Python 3+
2. Pinecone API key
3. Chave da API OpenAI
4. Simplit
5. Os módulos necessários, como visto no código (por exemplo, Langchain, Pinecone)

Início rápido:

1. Configuração Configure :

   • Você deve criar um arquivo config.py que define o seguinte:

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

2. Run embbeding_doc.py :

   • Isso carregará o PDF fornecido, dividirá seu conteúdo, gerará incorporações e salvará -las para pilar.

     $ python embbeding_doc.py

3. Start the Streamlit Application :

   • Use Streamlit to run the app.py script.

     $ streamlit run app.py

   • Depois que o aplicativo estiver em execução, você poderá inserir perguntas relacionadas ao conteúdo do PDF e fornecerá respostas relevantes usando as incorporações criadas e a cadeia de resposta a perguntas.

Notas importantes:

• This is a sample setup. Dependendo dos seus requisitos, convém modificar as estratégias de carregamento, divisão e incorporação de documentos.
• Verifique se a chave da API OpenAI e a chave da API do Pinecone são mantidas confidenciais e não são pressionadas para repositórios públicos.