工具概览
该仓库提供一个 AI 驱动的检索增强生成（RAG）文档问答系统，使用 ASP.NET Core 8、带 pgvector 的 PostgreSQL、OpenAI 和 Angular 聊天界面构建。后端摄取 PDF 和 TXT 文档，提取文本，将文档切分为有重叠的块，生成 OpenAI 嵌入向量，使用 pgvector 存入 PostgreSQL，执行语义搜索，检索相关块，构建有依据的 RAG 上下文，并使用 OpenAI LLM 生成答案。Angular 应用通过 POST /api/chat 提供聊天界面。系统会显示来源文档、文本块、相似度分数和检索到的文本块依据，并指示模型在无法从已索引文档中确定信息时拒绝回答。未实现持久化会话历史、流式输出、身份验证、OCR 和 AI 智能体。架构遵循整洁架构，分为 API、Application、Domain 和 Infrastructure 层。RAG 流水线包括文档上传、文本提取、分块、嵌入、语义搜索、上下文构建、有依据的提示词，以及由 OpenAI LLM 生成带来源的答案。Chat API 为单轮对话，不保存会话历史。
定价
价格与限制可能变化，请以官网为准，并确认币种、付款周期、最低席位数和用量上限。
应用场景
- 团队用该系统上传 PDF 和 TXT 文档，用于索引和问答。
- 团队用该系统从上传的文档中提取文本。
- 团队用该系统把文档切分为有重叠的块以便嵌入。
- 团队用该系统为文档块生成 OpenAI 嵌入向量。
- 团队用该系统使用 pgvector 将嵌入向量存入 PostgreSQL。
- 团队用该系统对存储的文档块执行语义搜索。
- 团队用该系统检索相关文档块并构建有依据的 RAG 上下文。
- 团队用该系统通过 OpenAI LLM 生成答案，并显示来源文档、文本块、相似度分数和检索到的文本块依据。
功能特性
处理文档以供 RAG 使用
从文档生成向量嵌入
对文档内容进行语义搜索
利用大语言模型回答文档相关问题
使用 PostgreSQL 和 pgvector 支持检索
用户评论
还没有评论，来分享你的使用体验吧