spRAG是一个专为非结构化数据设计的RAG（Retrieval-Augmented Generation）框架，特别擅长处理复杂的文本查询，例如金融报告、法律文件和学术论文。它在复杂的开放性问答任务上，如FinanceBench基准测试中，准确率显著高于传统的RAG基线模型。
需求人群： ["数据科学家和机器学习工程师：可以利用spRAG处理复杂的文本数据，提高模型的准确性。","金融分析师：通过spRAG快速获取金融报告中的关键信息。","法律专业人士：使用spRAG从大量的法律文件中检索相关信息。"] 使用场景示例： 使用spRAG分析金融报告，预测市场趋势。法律顾问使用spRAG从历史案例中检索判例法。学术研究人员利用spRAG从大量文献中提取研究资料。 产品特色： AutoContext：自动将文档级上下文注入到单个块中，提高嵌入的准确性和完整性。Relevant Segment Extraction (RSE)：后处理步骤，将相关块集群智能组合成长文本段落，为复杂问题提供更好的上下文。使用OpenAI、Claude 3 Haiku和Cohere等API进行嵌入和重排。支持自定义配置，允许用户选择不同的模型和API。KnowledgeBase对象持久化，自动保存配置信息。支持从文件直接创建知识库，并进行查询。提供文档解析工具，方便从PDF等文件中提取文本。 使用教程： 1. 安装spRAG：使用Python包管理器pip安装sprag。2. 设置API密钥：确保为OpenAI、Anthropic和Cohere等提供商设置了环境变量。3. 创建知识库：使用create_kb_from_file函数从文件创建KnowledgeBase对象。4. 加载知识库：通过kb_id加载已创建的知识库。5. 查询知识库：使用query方法对知识库进行查询。6. 自定义配置：根据需要自定义KnowledgeBase的配置，如使用不同的嵌入模型或重排器。7. 添加文档：使用add_document方法向知识库中添加文档。8. 运行查询并获取结果：执行查询并打印返回的段落。 展开 浏览量：12 s1785318098921236 打开站点
