🚀 Sistema RAG Avanzato

Un sistema di Retrieval-Augmented Generation (RAG) modulare che integra tecniche avanzate per il processing, chunking, retrieval e generazione di risposte da documenti tecnici.

🎯 Caratteristiche Principali

🏗️ Architettura Modulare

src/
├── document_processing/    # PDF processor (Docling)
├── chunking/              # Semantic chunking
├── query_handling/        # HyPE processor
├── retrieval/             # Fusion retrieval
├── generation/            # Gemini generator
├── pipeline/              # Pipeline principale
├── telemetry/             #Telemetria con Langfuse
└── utils/                 # Utilità e helpers

🛠️ Installazione

1. Clona il repository

git clone <repository-url>
cd RAG-evaluator

1.1 Crea e attiva un ambiente virtuale (Consigliato)

python -m venv venv
venv\Scripts\activate

2. Installa le dipendenze

pip install -r requirements.txt

3. Configura le API Keys

Crea un file .env nella root del progetto:

GOOGLE_API_KEY=your_google_gemini_api_key_here

LANGFUSE_PUBLIC_KEY="pk-lf-..."
LANGFUSE_SECRET_KEY="sk-lf-..."

# Opzionale (per modelli privati Hugging Face o limiti più alti):
HF_API_TOKEN=your_hf_token_here

4. Quick test dei componenti

python quick_test.py

6. Esecuzione dell'applicativo

python main.py --docs data/ --interactive

📋 Flusso di Esecuzione

0. Document Processing

• Input: PDF, TXT, MD
• Processo: Estrazione testo con Docling e conversione in Markdown semplice
• Output: Documenti processati con metadati

Nota: Processing del documento eseguibile in back office

1. Semantic Chunking

• Input: Testo processato
• Processo: LangChain SemanticChunker divide il testo in chunks semanticamente coerenti
• Parametri: percentile, standard_deviation, interquartile
• Output: Chunks con boundaries semantiche naturali con limitazioni sui chunk size

Nota: Chunking eseguibile in back office

2. Query Handling (Query transformation)

• Input: Query utente
• Processo: Trasforma la query in altre queries con metodo di decomposizione in sub-queries (di numero {max_transformations}), riformulazione o step-back
• Benefici: Migliora la qualità e la precisione della ricerca
• Output: {max_transformations} queries

3. Fusion Retrieval

• Input: Query utente + indici costruiti
• Processo: Combina ricerca vettoriale (FAISS) e keyword (BM25)
• Formula: score = α × vector_score + β × bm25_score
• Output: Risultati ranked con score fusion

Nota: Indicizzazioni eseguibili in back office

4. Generation

• Input: Query + chunks recuperati
• Processo: Google Gemini genera risposta basata sul contesto
• Output: Risposta strutturata con fonti e confidence

5. Summary

• Input: Query + Risposta LLM
• Processo: Google Gemini genera riassunto basato sul contesto
• Output: Riassunto generato anche salvato in un file json (sovrascrivibile)

graph TD
    A["**User input**"] --> B["**Query transformation**<br/>- rewrite<br/>- decomposition<br/>- expansion"]
    B --> C["**Fusion retrieval**<br/>Usa le query trasformate per cercare i chunk rilevanti"]
    C --> D["**Answer generation**<br/>Prende il prompt con query + contesto<br/>Genera la risposta"]
    D --> E["**Summary generation**<br/>Prende la risposta e ne fa un riassunto"]

Loading

Telemetry (Langfuse)

• Info: Segue il workflow dell'applicativo tramite context management
• Benefici: Aggiunge il tracciamento del workflow dell'applicativo e delle chiamate al LLM

Nota: per utilizzare Langfuse, è necessario avere un account su Langfuse e configurare le API keys in .env