检索增强生成系统

RAG MCP项目

该项目是基于“模型上下文协议”设计模式的检索增强生成（RAG）系统的简单实现。它使用本地知识库为用户查询提供上下文感知答案。

---

🚀 特性

• 文档加载：从本地加载和处理PDF文件 data 目录。
• 文本组块：将文档拆分为可管理的块以进行嵌入。
• 矢量嵌入：使用拥抱脸 all-MiniLM-L6-v2 模型在本地创建嵌入。
• 矢量存储器：利用 ChromaDB 用于高效的本地矢量存储和检索。
• RAG链条：使用实现完整的RAG管道 LangChain 根据文档内容回答问题。

---

🛠️ 设置和安装

1. 克隆存储库（或设置文件夹）： 确保所有项目文件都在本地目录中。

2. 创建数据文件夹：

   复制

   mkdir data
   

   将您的PDF文档放入此 data 文件夹。

3. 安装依赖项： 请确保您已安装Python 3.8+。然后，使用pip安装所需的软件包：

   复制

   pip install langchain langchain-community langchain-huggingface chromadb pypdf langchain-openai
   

---

▶️ 如何跑步

1. 设置你的法学硕士：

   • 对于OpenAI：将API键设置为环境变量。在您的终端中，运行：
     复制

     export OPENAI_API_KEY="sk-..."
     

     （在Windows命令提示符上，使用 set OPENAI_API_KEY="sk-...")
   • 对于Ollama（当地）：确保Ollama服务正在运行，并且您已经拉取了一个模型（例如。， ollama pull llama3).

2. 更新脚本：

   • 在 app.py，更改 "data/my_document.pdf" 到您的PDF文件的名称。
   • 确保脚本中的LLM初始化器与您的设置匹配（例如。， ChatOpenAI 或 ChatOllama).

3. 执行脚本： 从终端运行主应用程序：

   复制

   python app.py
   

   脚本将处理文档并打印硬编码问题的答案。

---

📝 待办事项/未来改进

• []使用Streamlit或FastAPI创建web界面。
• []允许用户动态输入问题。
• []添加对更多文档类型的支持（例如。， .txt, .docx).
• []尝试不同的嵌入模型和LLM。