Opiniated RAG for integrating GenAI in your apps 🧠 Focus on your product rather than the RAG. Easy integration in existing products with customisation! Any LLM: GPT4, Groq, Llama. Any Vectorstore: PGVector, Faiss. Any Files. Anyway you want.
LCEL ne permet de faire que des pipelines de type DAG (sans cycle) et, de plus, est peu intuitive et difficile à debugger. Nous allons donc utiliser LangGraph, qui est une librairie plus flexible et intuitive.
Aujourd'hui, nous utilisons LangChain Expression Language (LCEL) pour construire notre pipeline de RAG dans backend/core/quivr_core/quivr_rag.py.
LCEL ne permet de faire que des pipelines de type DAG (sans cycle) et, de plus, est peu intuitive et difficile à debugger. Nous allons donc utiliser LangGraph, qui est une librairie plus flexible et intuitive.