今天我们推出 RAGs，一个 Streamlit 应用，它允许您创建和定制自己的 RAG 管道，然后在您自己的数据上使用它——所有操作都通过自然语言完成！这意味着您现在无需编写代码即可设置“基于您数据的 ChatGPT”。

通过三个简单步骤设置和查询 RAG 管道

1. 轻松描述任务：只需描述您的任务（如“加载此网页”）并定义 RAG 系统的参数（如检索一定数量的文档）。
2. 可配置设置：深入配置视图，查看和修改自动生成的参数，如 top-k 检索、摘要选项等。
3. 交互式 RAG 代理：设置完成后，您可以与 RAG 代理进行交互，提问并根据您的数据获取回答。

该应用专为技术水平较低和技术用户设计：如果您的技术水平较低，仍然需要克隆仓库并使用 pip 安装它，但无需担心内部运行的细节。另一方面，如果您是技术用户，则可以检查和自定义特定的参数设置（例如 top-k、数据）。

详细概览

该应用包含以下几个部分，对应于上面列出的步骤。

[1] 🏠 主页

在此部分，您可以通过指示“构建器代理”来构建 RAG 管道。通常，设置 RAG 管道需要以下组件

1. 描述数据集：目前我们支持 单个本地文件 或 网页。我们对此持开放建议！
2. 定义任务：您在此处的描述将初始化为支持 RAG 管道的 LLM 的“系统提示词”。
3. 设置 RAG 参数：配置典型的 RAG 设置参数，如 top-k 检索、块大小和摘要选项。参数完整列表见下文。

[2] ⚙️ RAG 配置：定制您的体验

设置基本信息后，您将进入 RAG 配置部分。此应用部分提供了一个直观的用户界面，您可以在其中

• 查看生成的参数：构建器代理会根据您的初始设置建议参数。
• 编辑和自定义：您可以完全自由地调整这些设置，确保 RAG 代理按照您的需要运行。
• 更新代理：您所做的任何更改都可以通过点击“更新代理”按钮即时应用。

这是当前的参数集

• 系统提示词
• 包含摘要：是否也添加摘要工具（而不仅仅是执行 top-k 检索）。
• Top-K
• 块大小
• 嵌入模型
• LLM

[3] 🤖 生成的 RAG 代理：与您的数据交互

RAGs 体验的最后一个部分是生成的 RAG 代理部分。您可以期待以下内容

• 交互式聊天机器人界面：就像 ChatGPT 一样，与您的 RAG 代理进行对话。
• 数据驱动的回答：代理利用 top-k 向量搜索和可选的摘要工具，根据底层数据回答您的查询。
• 无缝集成：代理动态选择正确的工具来满足您的查询，确保与您的数据集进行流畅智能的交互。

架构

我们将在后续文章中更详细地介绍架构。从高层来看

• 我们有一个配备了构建器工具的构建器代理——这些工具是构建 RAG 管道所必需的。
• 构建器代理将使用这些工具来设置配置状态。在初始对话流程结束时，这些参数随后用于初始化 RAG 代理。

让我们看一个例子！

安装与设置

启动和运行 RAGs 非常简单

1. 克隆 RAGs 项目并导航到 rags 项目文件夹：https://github.com/run-llama/rags
2. 安装所需的包

pip install -r requirements.txt

3. 启动应用

streamlit run 1_🏠_Home.py

构建 RAG 代理

在下面的图中，我们展示了一系列“构建” RAG 管道的命令。

1. 假设您想构建一个聊天机器人
2. 定义数据集（这里是一个网页，也可以是本地文件）
3. 定义任务
4. 定义参数（块大小 512，top-k = 3）

查看配置

我们可以在下面的页面中看到生成的配置，并根据需要查看/编辑它们！

例如，我们可以将 include_summarization 设置为 True。

测试一下

现在我们可以提问了！我们可以问具体的问题，也可以问概括性的问题。

这使用向量搜索和摘要工具来回答所需的问题。

结论

总的来说，RAGs 是迈向一个由自然语言构建和驱动的 LLM 应用世界的初步尝试。请告诉我们您的想法和反馈！

资源

RAGs 仓库：https://github.com/run-llama/rags

贡献和支持

我们致力于改进和扩展 RAGs。如果您遇到任何问题或有建议，请随时提交 Github issue 或加入我们的 Discord 社区。