Future-House/paper-qa

High accuracy RAG for answering questions from scientific documents with citations

해결하는 문제

PaperQA2는 과학 문헌에 대해 높은 정확도의 에이전트형 검색 증강 생성(RAG)을 수행하도록 설계되었습니다. 검색, 증거 수집 및 종합 과정을 자동화하여 대규모 PDF, 텍스트 파일, Microsoft Office 문서 및 소스 코드 모음에서 근거가 명확하고 출처가 표시된 답변을 추출하는 문제를 해결합니다.

작동 방식

이 시스템은 3단계 알고리즘을 따릅니다. 첫째, LLM이 생성한 쿼리를 사용하여 후보 논문을 검색합니다. 둘째, 문서 조각을 청크화, 임베딩 및 순위 지정하여 관련 증거를 수집합니다. 마지막으로, LLM을 사용하여 본문 내 인용이 포함된 근거 있는 답변을 합성합니다. LLM이 검색 및 증거 수집을 반복적으로 개선할 수 있는 에이전트형 워크플로우를 지원하며, Semantic Scholar 및 Crossref와 같은 소스에서 자동으로 메타데이터를 검색하는 기능을 포함합니다.

대상 사용자

대규모 기술 문서 및 과학 논문 저장소 전반에서 복잡한 질의응답, 요약 또는 모순 탐지를 수행해야 하는 연구원, 과학자 및 개발자를 위한 도구입니다.

주요 특징

원본 문서에 대한 본문 내 인용이 포함된 근거 있는 응답.
반복적인 쿼리 개선을 허용하는 에이전트형 RAG 기능.
PDF, Office 문서, 코드, 표 및 그림과 같은 멀티모달 콘텐츠를 포함한 다양한 파일 형식 지원.
로컬 문서 디렉토리의 빠른 인덱싱, 검색 및 쿼리를 위한 내장 CLI.
다양한 성능 요구 사항(예: "fast" 대 "high_quality")에 맞는 번들 설정을 통한 높은 구성 가능성.
LiteLLM을 통한 광범위한 LLM 제공업체와의 호환성.