Laas Rag MCP

RAG API

该项目是基于FastAPI的API服务器，实现了基于文档的问答系统。

功能

1. 上载文档并保存矢量存储

- PDF和CSV文件支持 - 自动拆分和嵌入文档 - 保存到Chroma矢量商店

1. 搜索文档

- 基于自然语言查询的搜索 - 基于相似度的文档搜索

安装方法

1. 安装所需的软件包：

pip install -r requirements.txt

1. 设置环境变量：

export OPENAI_API_KEY="your-api-key"

执行方法

python main.py

服务器http://localhost:8000在中运行。

API端点

1. 上载文档

- POST/上传 - multipart/form-data格式上载文件 - 支持格式：PDF、CSV - 参数： - files：要上载的文件列表（必需） - vector_store_dir：存储矢量存储的目录路径（可选，默认为“vector_store”）

1. 搜索文档

- POST/查询 - form-data格式传递参数 - 参数： - query：搜索查询（必需） - vector_store_dir：矢量商店目录路径（可选，默认为“vector_store”） - k：要搜索的文档数（选择，默认值：2）

API文档

FastAPI的自动生成文档可在以下URL中找到：

• http://localhost:8000/docs
• http://localhost:8000/redoc

在矢量商店之前

要在其他项目中重复使用存储在矢量存储库中的文件，可以执行以下操作：

1. 将所需的矢量存储目录复制到其他项目的同一路径。
2. 其他项目也必须安装以下软件包：

- langchain色度 - 兰开夏 - 其他必要的依赖性软件包

1. 必须使用相同的嵌入模型（OpenAI Embeddings）。
2. 必须正确设置所需的环境变量（例如OpenAI API密钥）。

将矢量存储迁移到其他项目时，只需复制目录即可。这将同时保留文档的嵌入和元数据，以便在新项目中使用。

使用多个矢量商店

该项目旨在同时使用多个矢量商店。每个矢量存储库存储在不同的目录中，调用API时 vector_store_dir 可以通过参数指定所需的矢量存储。

例如，您可以为不同的项目或文档集创建和管理单独的矢量存储：

project1_docs -> vector_store_project1
project2_docs -> vector_store_project2
research_papers -> vector_store_research

这允许您独立管理和搜索每个文档集。