Создание полнофункционального RAG-приложения с использованием PydanticAI, FastAPI и LanceDB

В этом выпуске мы создаём полнофункциональное приложение на основе технологии Retrieval-Augmented Generation (RAG) с использованием PydanticAI, FastAPI, LanceDB и Streamlit. Мы подробно рассмотрим каждый этап, начиная с настройки бэкенда с агентом, векторной базы данных, созданной с помощью LanceDB, и API-слоя с помощью FastAPI. Мы демонстрируем приём данных из PDF-файлов в текстовые файлы, настройку векторных вложений и запуск векторного поиска для извлечения релевантных документов. Наконец, мы создаём фронтенд Streamlit для взаимодействия с нашей моделью ИИ и демонстрируем весь стек. Следите за новостями в следующем выпуске, где мы развернём приложение FastAPI с помощью Azure Functions.

Репозиторий Github
https://github.com/AIgineerAB/AI_engi...

#rags #pydanticai #lancedb #fastapi

00:00 Введение в полнофункциональное приложение RAG
00:29 Знакомство с компонентами бэкенда
03:31 Настройка среды разработки
08:04 Преобразование PDF-файлов в текст
18:36 Загрузка данных в базу данных векторов
28:10 Реализация задержек и управление вызовами API
29:01 Настройка и запуск базы данных векторов
30:09 Изучение базы знаний
34:41 Создание моделей данных для запросов и ответов
36:42 Создание модели RAG
44:37 Разработка API с помощью FastAPI
47:56 Создание фронтенда Streamlit
52:05 Тестирование и отладка Применение
53:28 Заключение и дальнейшие шаги