Вопросы к своим документам — с ответами по тексту, а не по памяти модели

Загрузите документы — сценарий разберёт их в поисковую память и будет отвечать на вопросы строго по их содержимому, а повторные вопросы отдавать мгновенно.

  • Ответ строится по вашим документам, а не выдумывается
  • Поиск идёт по смыслу, а не по точному совпадению слов
  • Повторный вопрос отдаётся мгновенно, из памяти
  • Загрузка и вопросы — через один вход
Webhook
Подключить Qdrant Vector Store и запуститьScriptera

Как это работает

Интеграция Qdrant Vector Store и CrateDB собирается из готового сценария — вот как он устроен по шагам.

  1. Запуск: Запуск по вебхуку
  2. Затем: Настройки сценария
  3. Проверка: Маршрутизировать по действию
  4. Если да — Извлечь текст из документа
  5. Затем: Сохранить эмбеддинги в PGVector
  6. Затем: Записать загрузку в кэш
  7. Запуск: Ответить об успехе загрузки
  8. Если нет — Проверить кэш запросов
  9. Проверка: Попадание или промах кэша
  10. Если да — Отформатировать кэшированный ответ
  11. Запуск: Ответить кэшированным ответом
  12. Если нет — Ответить на запрос с контекстом
  13. Затем: Сохранить в кэш запросов
  14. Запуск: Ответить с ответом
  15. Затем: Разделитель текста
  16. Затем: Загрузчик документов
  17. Затем: OpenAI Embeddings
  18. Затем: Получить релевантные фрагменты
  19. Затем: Модель чата OpenAI
  20. Затем: Отвечать по базе знаний

Эту интеграцию Qdrant Vector Store и CrateDB можно запустить в Scriptera: опишите задачу словами — сценарий соберут, запустят и будут следить, чтобы он работал.

Похожие сценарии