- RAG(検索拡張生成)ベースのQAのためのユーザーフレンドリーなUI
- 文書に対してQAを行いたい一般ユーザーと、自分独自のRAGパイプラインを構築したい開発者のために設計
- 多様なLLMをサポート: OpenAI、AzureOpenAI、Cohere などのLLM APIプロバイダーおよびローカルLLM(
ollama、llama-cpp-python)をサポート
- 簡単なインストール: すぐに始められるスクリプトを提供
- Gradioで作られたUIで自分のRAGパイプラインをテスト可能(テーマ提供)
主な機能
- 文書QA Web UIのホスティング:
- マルチユーザーログインをサポート
- 文書を個人/公開コレクションとして構成
- チャット履歴の共有と共同作業が可能
- LLMおよび埋め込みモデル管理:
- ローカルLLMおよび OpenAI、Azure、Ollama、Groq などの人気APIプロバイダーをサポート
- ハイブリッドRAGパイプライン:
- デフォルトでハイブリッド(全文テキストおよびベクトル)検索と再ランキングを組み合わせ、最高の検索品質を保証
- マルチモーダルQA対応:
- 図表や表を含む複数文書に対する質問応答が可能
- UIでマルチモーダル文書の解析オプションを選択可能
- 高度な引用と文書プレビュー:
- 正確性を保証するために詳細な引用情報を提供
- ブラウザ内PDFビューアで、ハイライト付きで引用と関連スコアを確認可能
- 関連性の低い文書が返された場合は警告を表示
- 複雑な推論方式をサポート:
- 質問分解により、複雑な/多段階の質問に回答可能
ReAct、ReWOO およびその他のエージェントを用いたエージェントベース推論をサポート
- 設定UIの構成が可能:
- 検索および生成プロセスの主要要素をUI上で直接調整可能(例: プロンプト設定)
- 拡張可能:
- Gradioベースで構築されており、UI要素を自由にカスタマイズ可能
- 多様な文書インデックスおよび検索戦略を今後サポート予定。
GraphRAG インデックスパイプラインを例として提供
3件のコメント
QA RAGフレームワークはたくさんありますが、これは何が強みなんでしょうか。
情報検索分野と説明におけるQAは、quality assuranceではなくquestion answeringです
名前が面白いですね。名前だけを見て推測すると、答え(コタエ)+ ドラえもん(もん)で、コタえもんなのではないかと思います。