工具概覽
該倉庫提供一個 AI 驅動的檢索增強生成（RAG）文件問答系統，使用 ASP.NET Core 8、帶 pgvector 的 PostgreSQL、OpenAI 和 Angular 聊天介面構建。後端攝取 PDF 和 TXT 文件，提取文本，將文件切分為有重疊的塊，生成 OpenAI 嵌入向量，使用 pgvector 存入 PostgreSQL，執行語義搜尋，檢索相關塊，構建有依據的 RAG 上下文，並使用 OpenAI LLM 生成答案。Angular 應用通過 POST /api/chat 提供聊天介面。系統會顯示來源文件、文本塊、相似度分數和檢索到的文本塊依據，並指示模型在無法從已索引文件中確定資訊時拒絕回答。未實現持久化會話歷史、流式輸出、身份驗證、OCR 和 AI 智慧體。架構遵循整潔架構，分為 API、Application、Domain 和 Infrastructure 層。RAG 流水線包括文件上傳、文本提取、分塊、嵌入、語義搜尋、上下文構建、有依據的提示詞，以及由 OpenAI LLM 生成帶來源的答案。Chat API 為單輪對話，不儲存會話歷史。
定價
價格與限制可能變動，請以官網為準，並確認幣別、付款週期、最低席位數和用量上限。
應用場景
- 團隊用該系統上傳 PDF 和 TXT 文件，用於索引和問答。
- 團隊用該系統從上傳的文件中提取文本。
- 團隊用該系統把文件切分為有重疊的塊以便嵌入。
- 團隊用該系統為文件塊生成 OpenAI 嵌入向量。
- 團隊用該系統使用 pgvector 將嵌入向量存入 PostgreSQL。
- 團隊用該系統對儲存的文件塊執行語義搜尋。
- 團隊用該系統檢索相關文件塊並構建有依據的 RAG 上下文。
- 團隊用該系統通過 OpenAI LLM 生成答案，並顯示來源文件、文本塊、相似度分數和檢索到的文本塊依據。
功能特色
處理文件以供 RAG 使用
從文件生成向量嵌入
對文件內容進行語義搜尋
利用大語言模型回答文件相關問題
使用 PostgreSQL 和 pgvector 支援檢索
使用者評論
還沒有評論，來分享你的使用體驗吧