document answer langchain pinecone openai

การตอบเอกสารด้วย Langchain, Pinecone และ Openai

Langchain ให้การรวมที่ใช้งานง่ายสำหรับการประมวลผลและการสืบค้นเอกสารด้วยการฝังของ Pinecone และ Openai With this repository, you can load a PDF, split its contents, generate embeddings, and create a question-answering system using the aforementioned tools.

โครงสร้างที่เก็บ:

• embbeding_doc.py : The primary script for loading a PDF, splitting its content, generating embeddings using OpenAI, and saving them with Pinecone.
• constants.py : ถือค่าคงที่ที่ใช้ในที่เก็บ
• app.py : แอปพลิเคชัน Streamlit ที่ช่วยให้คุณสามารถสอบถามเอกสารที่ฝังตัวโดยใช้ห่วงโซ่การตอบคำถาม

ความต้องการ:

1. Python 3+
2. Pinecone API key
3. คีย์ Openai API
4. มีแสงสว่าง
5. The required modules as seen in the code (eg, langchain, pinecone)

เริ่มต้นอย่างรวดเร็ว:

1. ตั้งค่าการกำหนดค่า :

   • คุณต้องสร้างไฟล์ config.py ที่กำหนดสิ่งต่อไปนี้:

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

2. เรียกใช้ embbeding_doc.py :

   • สิ่งนี้จะโหลด PDF ที่ให้ไว้แยกเนื้อหาสร้าง embeddings และบันทึกไว้ใน pinecone

     $ python embbeding_doc.py

3. เริ่มแอปพลิเคชัน Streamlit :

   • Use Streamlit to run the app.py script.

     $ streamlit run app.py

   • เมื่อแอปพลิเคชันกำลังทำงานอยู่คุณสามารถป้อนคำถามที่เกี่ยวข้องกับเนื้อหา PDF และจะให้คำตอบที่เกี่ยวข้องโดยใช้ embeddings ที่สร้างขึ้นและห่วงโซ่การตอบคำถาม

หมายเหตุสำคัญ:

• This is a sample setup. ขึ้นอยู่กับความต้องการของคุณคุณอาจต้องการแก้ไขการโหลดเอกสารการแยกและกลยุทธ์การฝัง
• ตรวจสอบให้แน่ใจว่าคีย์ OpenAI API และ Pinecone API ของคุณจะถูกเก็บเป็นความลับและไม่ถูกผลักดันไปยังที่เก็บสาธารณะ