ragChatbot est un framework orienté développeur visant à simplifier la création de chatbots RAG. Il intègre des pipelines LangChain avec OpenAI ou d'autres API LLM pour traiter les requêtes sur des corpus documentaires personnalisés. Les utilisateurs peuvent télécharger des fichiers de différents formats (PDF, DOCX, TXT), extraire automatiquement le texte et générer des embeddings via des modèles populaires. Le framework supporte plusieurs bases vectorielles comme FAISS, Chroma et Pinecone pour une recherche par similarité efficace. Il dispose d'une couche de mémoire conversationnelle pour les interactions multi-tours et d'une architecture modulaire permettant de personnaliser les modèles de prompt et les stratégies de récupération. Avec une CLI simple ou une interface web, vous pouvez ingérer des données, configurer les paramètres de recherche et lancer un serveur de chat pour répondre aux questions avec pertinence et précision.

DocGPT vise à simplifier l'extraction d'informations et les questions-réponses à partir de documents en fournissant une interface conversationnelle fluide. Les utilisateurs peuvent télécharger des documents en formats PDF, Word ou PowerPoint, qui sont ensuite traités par des parsers de texte. Le contenu est découpé en segments et embedded avec les modèles d'embedding d'OpenAI, puis stocké dans une base de données vectorielle comme FAISS ou Pinecone. Lorsqu’un utilisateur soumet une requête, DocGPT récupère les segments de texte les plus pertinents via une recherche par similarité et utilise ChatGPT pour générer des réponses précises et contextualisées. Il propose un chat interactif, une synthèse de documents, des invites personnalisables pour des besoins spécifiques au domaine, et est construit en Python avec une interface Streamlit pour un déploiement et une extension faciles.