System bazy wiedzy RAG - Inteligentna integracja chatbota

Pytania i odpowiedzi oparte na RAG z integracją dokumentów, FAQ i aktualności

2025-2026 Personal Project

Opis projektu

Ten projekt implementuje kompleksowy system bazy wiedzy wykorzystujący technologię Retrieval-Augmented Generation (RAG) do inteligentnych pytań i odpowiedzi w chatbocie. System integruje dokumenty, FAQ i artykuły informacyjne, aby dostarczać odpowiedzi oparte na kontekście przy użyciu modeli OpenAI. Zawiera hybrydowy retrieval, agentyczny orkiestrator, dedykowany vector store z narzędziami MCP, format TOON do efektywnego formatowania kontekstu, automatyczne przechowywanie pytań bez odpowiedzi oraz bezproblemową integrację z systemem zarządzania dokumentami.

Główne funkcje

Generowanie odpowiedzi oparte na RAG

Modele OpenAI ze strukturalnymi odpowiedziami JSON

Wyszukiwanie wektorowe

Wyszukiwanie podobieństwa dokumentów oparte na embeddingach

Integracja dokumentów

Automatyczna indeksacja i wektoryzacja dokumentów

Integracja FAQ

Wyszukiwanie FAQ oparte na słowach kluczowych ze scoringiem

Integracja aktualności

Wyszukiwanie artykułów informacyjnych jako zapasowe źródło informacji

Zarządzanie pytaniami

Automatyczne przechowywanie i zarządzanie pytaniami bez odpowiedzi

Agentyczny orkiestrator

Wielokrokowy agent czatu planujący retrieval i użycie narzędzi

Hybrydowy retrieval

Łączy sygnały słów kluczowych i wektorowe dla lepszego uziemienia

Vector store i narzędzia MCP

Trwały indeks wektorowy z narzędziami retrieval dostępnymi przez MCP

Stos technologiczny

Framework backend

Laravel 11
PHP 8.2+
MySQL

AI & ML

OpenAI GPT-4o-mini
Embeddingi wektorowe
Technologia RAG

Frontend

Livewire
Alpine.js
Bootstrap

Zarządzanie danymi

Vector Store
Format TOON
JSON Schema

Przepływ pracy

  1. Zapytanie użytkownika: Użytkownik zadaje pytanie w chatbocie
  2. Wyszukiwanie FAQ: System wyszukuje w plikach FAQ z dopasowaniem słów kluczowych i scoringiem
  3. Wyszukiwanie w bazie wiedzy: Jeśli wynik FAQ jest niski, system wyszukuje w zwektoryzowanych dokumentach
  4. Formatowanie kontekstu: Wyniki wyszukiwania są formatowane jako TOON (Token-Oriented Object Notation)
  5. Generowanie odpowiedzi: OpenAI GPT-4o-mini generuje odpowiedź opartą na kontekście ze schematem JSON
  6. Wyświetlanie źródeł: Odpowiednie źródła dokumentów są wyświetlane z informacjami o fragmentach
  7. Przechowywanie pytań: Jeśli nie znaleziono odpowiedzi, pytanie jest automatycznie przechowywane do przeglądu
  8. Zapas aktualności: Jeśli nie ma dopasowania dokumentu, system wyszukuje w artykułach informacyjnych
  9. Ścieżka agentyczna: Orkiestrator wybiera narzędzia, hybrydowy retrieval i wyszukiwania w vector store