document answer langchain pinecone openai

Документ, отвечающий с помощью Langchain, Pinecone и Openai

Langchain обеспечивает простую в использовании интеграцию для обработки и запроса документов с помощью Entrics Pinecone и Openai. С помощью этого репозитория вы можете загрузить PDF, разделить его содержимое, генерировать встраивания и создать систему с ответом на вопросы, используя вышеупомянутые инструменты.

Структура хранилища:

• embbeding_doc.py : основной сценарий для загрузки PDF, разделяющий его содержание, генерируя встраивания с использованием OpenAI и сохраняет их с помощью PineCone.
• constants.py : удерживает константы, используемые в репозитории.
• app.py : приложение для стримки, которое позволяет вам запросить встроенные документы, используя цепочку с ответом на вопрос.

Требования:

1. Python 3+
2. Ключ API Pinecone
3. OpenAI API -ключ
4. Поток
5. Требуемые модули, как видно в коде (например, Langchain, Pinecone)

Быстрый старт:

1. Настройка конфигурации :

   • Вы должны создать файл config.py , который определяет следующее:

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

2. Запустить мимо embbeding_doc.py :

   • Это загрузит предоставленный PDF, разделяет его содержимое, генерирует встраивания и сохранит их в Pinecone.

     $ python embbeding_doc.py

3. Запустите приложение Streamlit :

   • Используйте Streamlit, чтобы запустить скрипт app.py

     $ streamlit run app.py

   • После того, как приложение будет запущено, вы можете ввести вопросы, связанные с содержанием PDF, и предоставит соответствующие ответы, используя созданные встроенные вставки и цепочку с ответом на вопрос.

Важные примечания:

• Это образец настройки. В зависимости от ваших требований, вы можете изменить стратегии загрузки, разделения и внедрения документа.
• Убедитесь, что ваш ключ API OpenAI и ключ Pinecone API остаются конфиденциальными и не подталкиваются к общественным хранилищам.