https://github.com/smatiolids/datastax-rag-workshop

https://github.com/smatiolids/datastax-rag-workshop

Last synced: 7 days ago
JSON representation

• Host: GitHub
• URL: https://github.com/smatiolids/datastax-rag-workshop
• Owner: smatiolids
• Created: 2024-03-11T23:58:27.000Z (8 months ago)
• Default Branch: main
• Last Pushed: 2024-03-12T00:15:13.000Z (8 months ago)
• Last Synced: 2024-04-22T00:14:28.166Z (7 months ago)
• Language: Python
• Size: 4.58 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Agente de bate-papo empresarial configurável

Este Chat Agent foi desenvolvido especificamente como um aplicativo de exemplo reutilizável e configurável para compartilhar com empresas ou clientes potenciais.

1. Ele usa [LangChain](https://www.langchain.com/) como estrutura para configurar facilmente cadeias de perguntas e respostas do LLM

2. Ele usa [Streamlit](https://streamlit.io/) como estrutura para criar facilmente aplicativos da Web

3. Ele usa [Astra DB](https://astra.datastax.com/) como armazenamento de vetores para permitir o Retrieval Augmented Generation, a fim de fornecer interações contextuais significativas

4. Ele usa [Astra DB](https://astra.datastax.com/) como memória de curto prazo para acompanhar o que foi dito e gerado

5. Ele usa um StreamingCallbackHandler para transmitir a saída para a tela, o que evita ter que esperar pela resposta final

6. Ele permite que novo conteúdo seja carregado, vetorizado e armazenado no banco de dados vetorial Astra DB para que possa ser usado como contexto

7. Oferece uma localização configurável através de `localization.csv`

8. Oferece uma experiência guiada sobre trilhos através de `rails.csv`

## Preparação

1. Primeiro instale as dependências do Python usando:

```

pip3 install -r requirements.txt

```

2. Em seguida, atualize os segredos `OpenAI`, `AstraDB` e opcionalmente `LangSmith` em `streamlit-langchain/.streamlit/secrets.toml`. Há um exemplo fornecido em `secrets.toml.example`.

## Personalização

Agora é hora de personalizar o aplicativo para seu caso específico.

### Passo 1

Defina as credenciais adicionando um novo nome de usuário e senha na seção `[passwords]` em `streamlit-langchain/.streamlit/secrets.toml`.

### Passo 2

Defina o idioma da UI do aplicativo adicionando um código de localização na seção `[languages]` em `streamlit-langchain/.streamlit/secrets.toml`. Atualmente `en_US`, `nl_NL` e `pt_BR` são suportados. No entanto, é fácil adicionar idiomas adicionais em `localization.csv`.

### Etapa 3

Crie uma experiência guiada fornecendo exemplos de prompts em `rails.csv`. A convenção aqui é que `` da Etapa 1 seja usado para definir a experiência.

### Passo 4

Inicie o aplicativo e carregue previamente os arquivos PDF e de texto relevantes para que o aplicativo tenha conteúdo que possa ser usado como contexto para as perguntas/solicitações na próxima etapa. Todos esses dados serão carregados em uma tabela específica do usuário definida por ``.

### Etapa 5

Crie uma página de boas-vindas personalizada na pasta raiz. A convenção aqui é criar um arquivo markdown chamado `.md`. O ideal é listar quais arquivos foram pré-carregados.

## Começando

Você está pronto para executar o aplicativo da seguinte maneira:

```

streamlit run app.py

```

Além do conteúdo pré-carregado, um usuário pode adicionar conteúdo adicional que será usado como contexto para prompts.

## Implante na Internet

É fácil enviar este aplicativo para a edição comunitária do Streamlit. Como o aplicativo usa uma página de login, é seguro disponibilizá-la publicamente.

## Aviso

O objetivo deste aplicativo é ser facilmente compartilhado dentro das empresas. Esteja ciente de que SUA assinatura OPENAI está sendo usada para criar embeddings e chamadas LLM. Isso IRÁ incorrer em custos.