Objetivo:
El objetivo de esta Issue es emplear técnicas de Retrieval-augmented Generation (RAG) para permitir el uso de documentos propios como fuentes de información en el notebook de Jupyter configurado con LangChain y el Large Language Model (LLM).
Tareas:
Investigar y seleccionar técnicas de RAG adecuadas que permitan la integración de documentos propios en el entorno de procesamiento de lenguaje natural.
Configurar LangChain para que pueda utilizar documentos propios como parte de su base de conocimiento.
Implementar un sistema de recuperación y generación que aproveche esta base de documentos para mejorar las respuestas generadas por el LLM.
Documentar el proceso de configuración y las técnicas empleadas.
Criterios de Éxito:
Se ha implementado con éxito un sistema de RAG que permite la utilización de documentos propios en el notebook de Jupyter.
Las respuestas generadas muestran mejoras significativas en precisión y relevancia debido a la incorporación de documentos propios.
La documentación proporcionada permite replicar la configuración y el uso de documentos propios.
Objetivo: El objetivo de esta Issue es emplear técnicas de Retrieval-augmented Generation (RAG) para permitir el uso de documentos propios como fuentes de información en el notebook de Jupyter configurado con LangChain y el Large Language Model (LLM).
Tareas:
Criterios de Éxito: