Was macht embedchain?
Implementierungsrezepte zur Demonstration des Multi-Source-Daten-Ingestion-Routings für den Aufbau spezialisierter Kontextwissenspools.
Übersicht
Dieses Repository enthält praktische Beispiele, wie man Daten aus mehreren Quellen (wie Webseiten, PDFs, YouTube-Videos, GitHub-Repositories) aufnimmt und in einem Kontextwissenspool organisiert. Die Rezepte zeigen, wie Embedchain verwendet wird, um einen einheitlichen Wissensspeicher zu erstellen, der von KI-Assistenten abgefragt werden kann.
Voraussetzungen
- Python 3.10 oder höher
- Ein OpenAI-API-Schlüssel (oder ein kompatibler LLM-Anbieter)
- Embedchain-Bibliothek (
pip install embedchain)
Verwendung
-
Installieren Sie die Abhängigkeiten:
pip install embedchain -
Folgen Sie einem der Rezepte im Ordner
recipes/. Jedes Rezept ist als eigenständiges Skript konzipiert.
Beispiel: Daten aus einer Webseite aufnehmen
from embedchain import App
app = App()
app.add("https://example.com/artikel")
response = app.query("Was ist der Hauptinhalt des Artikels?")
print(response)
Unterstützte Datenquellen
| Quelle | Typ | Beispiel |
|---|---|---|
| Webseiten | web_page | https://beispiel.de/ |
| PDF-Dokumente | pdf_file | ./dokumente/bericht.pdf |
| YouTube | youtube_video | https://youtube.com/watch?v=abc |
| GitHub | github_repo | https://github.com/user/repo |
Anpassung
Sie können die Chunking-Parameter, das Einbettungsmodell und den LLM-Anbieter nach Ihren Bedürfnissen anpassen. Weitere Details finden Sie in der offiziellen Embedchain-Dokumentation.
Lizenz
Dieses Projekt ist unter der Apache 2.0-Lizenz lizenziert.