Future-House/paper-qa
High accuracy RAG for answering questions from scientific documents with citations
解决的问题
PaperQA2 旨在对科学文献执行高准确度的代理式检索增强生成 (RAG)。它通过自动化搜索、证据收集和综合过程，解决了从大量 PDF、文本文件、Microsoft Office 文档和源代码中提取有据可查、带引用答案的难题。
工作原理
该系统遵循三阶段算法：首先，使用 LLM 生成的查询搜索候选论文；其次，对文档片段进行分块、嵌入和排序以收集相关证据；最后，使用 LLM 合成带有文中引用的有据可查的答案。它支持代理式工作流，LLM 可以迭代地优化其搜索和证据收集，并包含来自 Semantic Scholar 和 Crossref 等来源的自动元数据检索。
适用人群
适用于需要在大型技术文档和科学论文库中进行复杂问答、摘要或矛盾检测的研究人员、科学家和开发人员。
亮点
- 包含源文档文中引用的有据可查的响应。
- 允许迭代查询优化的代理式 RAG 功能。
- 支持多种文件类型，包括 PDF、Office 文档、代码以及表格和图形等多模态内容。
- 内置 CLI，用于快速索引、搜索和查询本地文档目录。
- 高度可配置，捆绑了针对不同性能需求（例如 "fast" 与 "high_quality"）的设置。
- 通过 LiteLLM 与广泛的 LLM 提供商兼容。
相关
- 项目
- 项目
- 项目
- 项目
- 项目