RAGXLangchainJS

RAGxLangChainJS

该项目是一个基于 JavaScript 的实现，通过 LangChainJS 使用创新的检索增强生成（RAG）架构。该系统有效地结合了文档检索器和响应生成器，以高精度处理复杂的查询。 “Retriever”组件的作用就像文档语料库中的精确搜索工具，根据用户查询提取最相关的信息。检索后，“生成器”将这些信息合成为连贯且上下文相关的响应。这种双组件方法非常适合需要深入内容综合和理解的任务，例如生成详细摘要或从广泛的文档源回答多方面的问题。该应用程序可以轻松处理大量文档和复杂查询，使其成为研究人员、内容创建者和数据分析师的宝贵工具。

视频.mp4

特征

• 动态文本检索：根据查询相关性从文档池中高效检索文本数据。
• 高级文本处理：利用先进的 NLP 技术进行文本解析、分段和嵌入。
• 上下文响应生成：生成上下文感知的响应，确保高相关性和准确性。

先决条件

• 该项目使用 Ollama 和 LangChainJS，因此请确保安装了 Ollama。安装后，运行

   $ ollama pull gemma:2b-instruct-q5_0
  $ ollama pull nomic-embed-text
  

  在 powershell 中。

• 该项目还使用 ChromaDB 作为矢量存储的数据库，因此从 https://www.docker.com/ 下载并安装 Docker 并运行

   $ docker pull chromadb/chroma
  $ docker run -p 8000:8000 chromadb/chroma
  

  在 powershell 中拉取 chromaDB 图像并启动 chromaDB 容器。嵌入将被创建并存储在 docker 中创建的 chromaDB 容器内。

安装

• 使用git clone克隆存储库。

• 克隆后，进入根目录并在终端中运行npm install来安装软件包。

• 成功安装软件包后，在终端中运行npm start 。第一次会出现错误，然后再次运行npm start以使代码正常工作。

贡献

欢迎对该项目做出贡献！请创建拉取请求，或提交问题以建议对存储库进行更改，或报告错误。

执照

该项目根据 MIT 许可证获得许可 - 有关详细信息，请参阅许可证文件。