RAGXLangchainJS

RAGxLangChainJS

該專案是基於 JavaScript 的實現，透過 LangChainJS 使用創新的檢索增強生成（RAG）架構。該系統有效地結合了文件檢索器和回應產生器，以高精度處理複雜的查詢。 「Retriever」元件的作用就像是文件語料庫中的精確搜尋工具，根據使用者查詢提取最相關的資訊。檢索後，「生成器」將這些資訊合成為連貫且上下文相關的回應。這種雙組件方法非常適合需要深入內容綜合和理解的任務，例如產生詳細摘要或從廣泛的文件來源回答多方面的問題。該應用程式可以輕鬆處理大量文件和複雜查詢，使其成為研究人員、內容創建者和資料分析師的寶貴工具。

視頻.mp4

特徵

• 動態文字檢索：根據查詢相關性從文件池中有效率地檢索文字資料。
• 進階文字處理：利用先進的 NLP 技術進行文字解析、分段和嵌入。
• 情境回應產生：產生情境感知的回應，確保高相關性和準確性。

先決條件

• 該項目使用 Ollama 和 LangChainJS，因此請確保安裝了 Ollama。安裝後，運行

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

  在 powershell 中。

• 該專案還使用 ChromaDB 作為向量儲存的資料庫，因此從 https://www.docker.com/ 下載並安裝 Docker 並運行

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

  在 powershell 中提取 chromaDB 影像並啟動 chromaDB 容器。嵌入將被建立並儲存在 docker 中建立的 chromaDB 容器內。

安裝

• 使用git clone克隆儲存庫。

• 克隆後，進入根目錄並在終端機中運行npm install來安裝軟體包。

• 成功安裝軟體包後，在終端機中執行npm start 。第一次會出現錯誤，然後再次執行npm start以使程式碼正常工作。

貢獻

歡迎對該專案做出貢獻！請建立拉取請求，或提交問題以建議對儲存庫進行更改，或報告錯誤。

執照

該項目根據 MIT 許可證獲得許可 - 有關詳細信息，請參閱許可證文件。