rag-search - 智能数据检索和排名优化工具

项目简介：rag-search

rag-search 是一个由 thinkany.ai 提供的 RAG Search API，旨在帮助用户构建更加智能化的搜索体验。这个项目结合了多种技术和服务，为开发者提供强大的搜索能力。以下是对该项目的详细介绍。

快速开始

为了快速启动 rag-search 项目，需要按照以下步骤进行设置和启动：

环境配置

首先，需要在项目的根目录下创建一个 .env 文件，并设置相关的环境变量。常见的变量包括：

SERPER_API_KEY：用于访问搜索服务的 API 密钥。
OPENAI_BASE_URL 和 OPENAI_API_KEY：OpenAI 的接口地址和访问密钥。
OPENAI_MODEL 和 OPENAI_EMBED_MODEL：指定 OpenAI 使用的模型，这里默认使用 gpt-3.5-turbo 和 text-embedding-ada-002。
ZILLIZ_URI、ZILLIZ_TOKEN、ZILLIZ_DIM 和 ZILLIZ_COLLECTION：与数据嵌入相关的设置。
AUTH_API_KEY：用于 API 认证的密钥。

安装依赖

在配置完环境变量后，接下来需要安装项目所需的所有依赖。可以通过以下命令来完成：

pip install -r requirements.txt

启动服务器

安装完依赖后，就可以启动 FastAPI 服务器了。通过以下命令，可以在本地启动服务器：

uvicorn main:app --reload --port 8069

这里使用了 uvicorn，并指定重新加载功能，并将其运行在 8069 端口。

发起 API 请求

服务器启动成功后，可以通过 API 请求来使用 rag-search 的功能。以下是示例请求的格式：

基本请求示例：

@baseUri=http://127.0.0.1:8069
@apiKey=xxx

Ping 请求：

GET {{baseUri}}/

Rag Search 请求：

POST {{baseUri}}/rag-search
Content-Type: application/json
Authorization: Bearer {{apiKey}}

{
    "query": "ThinkAny.AI",
    "search_n": 10,
    "search_provider": "google",
    "is_reranking": true,
    "is_detail": true,
    "detail_min_score": 0.7,
    "detail_top_k": 3,
    "is_filter": true,
    "filter_min_score": 0.8,
    "filter_top_k": 6
}

在这个请求中，用户可以根据需要定制查询参数，例如 query 是要搜索的关键词，search_n 是搜索结果数量，is_reranking，is_detail 和 is_filter 等参数用于决定是否进行结果重排、详情查询和过滤等操作。

总结

rag-search 项目通过结合先进的搜索技术和 API 接口设计，为用户提供了强大的信息检索能力。通过配置与安装，开发者可以快速建立一个功能丰富的搜索系统，并根据实际需求自定义搜索参数，以获得最佳的搜索效果。