rags

破布

build.a.rags.bot.powered.by.llamaindex .--。26.November.2023.mp4

RAGS是一个简化的应用程序，可让您使用自然语言从数据源创建RAG管道。

您必须做以下操作：

1. 描述您的任务（例如“加载此网页”）和您从抹布系统（例如“我想检索x docs of Docs”）中所需的参数）
2. 根据需要进入配置视图和视图/ALTER生成的参数（TOP-K，摘要等）。
3. 在您的问题上查询抹布代理商的数据。

该项目的灵感来自Openai发起的GPTS。

安装和设置

克隆这个项目，进入rags项目文件夹。我们建议为依赖关系（ python3 -m venv .venv ）创建虚拟设施。

 poetry install --with dev

默认情况下，我们将OpenAI用于构建器代理和生成的抹布代理。在主文件夹中添加.streamlit/secrets.toml 。

然后输入以下内容：

 openai_key = "<openai_key>"

然后从“主页”文件运行应用程序。

streamlit run 1_?_Home.py

注意：如果您已经升级了RAGS的版本，并且您正在启动时遇到问题，则可能需要在主目录中删除cache文件夹（我们可能已经在版本之间引入了存储的数据结构的破坏更改）。

详细概述

该应用包含以下各节，与上面列出的步骤相对应。

1。？主页

这是您通过指示“建筑商代理”来构建抹布管道的部分。通常，要设置抹布管道，您需要以下组件：

1. 描述数据集。当前，我们支持一个本地文件或网页。我们在这里接受建议！
2. 描述任务。具体而言，此描述将用于初始化为RAG管道供电的LLM的“系统提示”。
3. 定义RAG设置的典型参数。有关参数列表，请参见下一节。

2。抹布配置

本节包含上一节中“构建器代理”生成的抹布参数。在本节中，您将拥有一个UI展示生成的参数，并具有充分的自由来在必要时手动编辑/更改它们。

目前，一组参数如下：

• 系统提示
• 包括摘要：是否还要添加摘要工具（而不是仅做TOP-K检索。）
• top-k
• 块大小
• 嵌入模型
• LLM

如果您手动更改参数，则可以按“更新代理”按钮以更新代理。

 If you don't see the `Update Agent` button, that's because you haven't created the agent yet. Please go to the previous "Home" page and complete the setup process.

我们总是可以添加更多参数以使其更加“高级”，但认为这将是一个很好的起点。

3。生成的抹布代理

创建破布代理后，您可以访问此页面。

这是一个标准的聊天机器人接口，您可以在其中查询抹布代理，它将通过数据回答问题。

为了满足查询，它将能够选择正确的抹布工具（Top-K矢量搜索或可选的摘要）。

支持的LLM和嵌入

建筑商代理

默认情况下，构建器代理使用OpenAI。这是在core/builder_config.py文件中定义的。

您可以将其自定义为您想要的任何LLM（为人类提供了一个示例）。

请注意，GPT-4变体将在实际构建代理方面给出最可靠的结果（我们无法让Claude工作）。

生成的抹布代理

您可以通过自然语言或手动为嵌入模型和LLM手动设置配置。

• LLM ：我们支持以下LLM，但是您需要明确指定ID向构建器代理。
  • Openai：ID是“ OpenAi：<Model_name>” EG” OpenAI：GPT-4-1106-PREVIEW”
  • 拟人化：ID是“拟人：<model_name>” eg“人类：claude-2”
  • 复制：ID为“重复：<model_name>”
  • huggingface：id是“本地：<model_name>” eg“ local：baai/bge-small-en”
• 嵌入式：默认情况下支持文本插入-ADA-002，但也支持拥抱面部模型。要使用拥抱的面部模型，只需使用本地，例如本地：baai/bge-small-en。

资源

遇到问题？请提交GitHub问题或加入我们的不和谐。

该应用程序是由LlamainDex Python构建的。

在此处查看我们的发布博客文章。