LlamaIndex 发布 RAGs：用自然语言搭建专属数据的 ChatGPT 应用

今天我们介绍 RAGs，一个 Streamlit 应用，让你能够创建并自定义自己的 RAG 流水线，然后将其用于你自己的数据——全部通过自然语言完成！这意味着你现在无需编写代码，就能搭建一个“基于你的数据的 ChatGPT”。

立即探索我们的免费和付费方案。

只需三个简单步骤即可设置并查询 RAG 流水线：

1. 简单的任务描述：只需描述你的任务（例如“加载这个网页”），并为你的 RAG 系统定义参数（例如检索一定数量的文档）。
2. 可配置的设置：进入配置视图，查看并修改自动生成的参数，例如 top-k 检索、摘要选项等。
3. 交互式 RAG 智能体：设置完成后，你可以与你的 RAG 智能体交互，基于你的数据提问并获得回答。

该应用专为非技术用户和技术用户设计：如果你不太懂技术，仍然需要克隆仓库并 pip 安装，但无需担心底层发生了什么。另一方面，如果你懂技术，可以检查和自定义具体的参数设置（例如 top-k、数据）。

详细概述

该应用包含以下部分，对应上面列出的步骤。

[1] 🏠 主页

这是你通过指示“构建器智能体”来构建 RAG 流水线的部分。通常，设置 RAG 流水线需要以下组件：

1. 描述数据集：目前我们支持单个本地文件或网页。我们欢迎这方面的建议！
2. 定义任务：你在此处的描述会初始化驱动 RAG 流水线的 LLM 的“系统提示”。
3. 设置 RAG 参数：配置典型的 RAG 设置参数，例如 top-k 检索、块大小和摘要选项。完整参数列表见下文。

[2] ⚙️ RAG 配置：量身定制你的体验

完成基本设置后，你进入 RAG 配置部分。应用的这一部分提供了直观的 UI，你可以：

• 查看生成的参数：构建器智能体会根据你的初始设置建议参数。
• 编辑和自定义：你可以完全自由地调整这些设置，确保 RAG 智能体的行为完全符合你的需求。
• 更新智能体：你做出的任何更改都可以通过点击“更新智能体”按钮立即应用。

这是当前的参数集：

• 系统提示
• 包含摘要：是否还要添加摘要工具（而不仅仅是进行 top-k 检索）。
• Top-K
• 块大小
• 嵌入模型
• LLM

[3] 🤖 生成的 RAG 智能体：与你的数据交互

RAGs 体验的最后一部分是生成的 RAG 智能体部分。以下是你可以期待的内容：

• 交互式聊天机器人界面：就像 ChatGPT 一样，与你的 RAG 智能体进行对话。
• 数据驱动的回答：智能体利用 top-k 向量搜索和可选的摘要工具，基于底层数据回答你的查询。
• 无缝集成：智能体会动态选择合适的工具来满足你的查询，确保与你的数据集进行流畅而智能的交互。

架构

我们将在后续文章中更详细地介绍架构。从高层次来说：

• 我们有一个构建器代理，配备了构建器工具——构建 RAG 管道所必需的工具。
• 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，这些参数将被用来初始化 RAG 代理。

让我们通过一个示例来了解！

安装与设置

启动 RAGs 非常简单直接：

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

在下面的图表中，我们展示了一系列“构建”RAG 管道的命令。

1. 假设你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！我们可以问具体问题，也可以问总结性问题。

这同时使用了向量搜索和总结工具来回答相应的问题。

结论

总的来说，RAGs 是对一个由自然语言构建和驱动的 LLM 应用世界的初步尝试。让我们知道你的想法和反馈！

资源

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

贡献与支持

我们致力于改进和扩展 RAGs。如果你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。