README_gemini_excel_rag.md

Gemini Flash 2.0 Excel RAG 系统

这个项目利用 LangChain 调用 Google 的 Gemini Flash 2.0 模型，并使用 markitdown 库作为 Excel 导入工具，将数据存储到本地的向量数据库中。系统能够通过向量数据库中的 Excel 表格内容，以 RAG (检索增强生成) 的方式增强模型回答的准确性。

功能特点

• 使用 Google 的 Gemini Flash 2.0 大语言模型
• 支持导入 Excel 文件到向量数据库
• 基于导入的 Excel 数据进行问答
• 使用 RAG 技术增强回答的准确性和相关性
• 提供友好的 Gradio Web 界面

安装步骤

1. 克隆或下载本项目代码

2. 安装所需依赖包：

pip install -r gemini_excel_requirements.txt

3. 获取 Google API 密钥：
   • 访问 Google AI Studio
   • 创建一个 API 密钥
   • 在 gemini_excel_rag.py 文件中替换 YOUR_GOOGLE_API_KEY 为您的实际 API 密钥

使用方法

1. 运行应用程序：

python gemini_excel_rag.py

2. 在浏览器中访问显示的本地地址（通常是 http://127.0.0.1:7860）

3. 使用界面：

   • 导入 Excel 数据：上传 Excel 文件并处理导入到向量数据库
   • 查询问答：输入问题，系统会基于导入的 Excel 数据回答
   • 查看向量库内容：搜索向量库中的内容，查看已导入的数据

工作原理

1. 数据导入流程：

   • 上传 Excel 文件
   • 使用 pandas 读取 Excel 内容
   • 将每行数据转换为文本格式
   • 存储到 Chroma 向量数据库

2. 查询回答流程：

   • 用户输入问题
   • 系统在向量数据库中检索相关内容
   • Gemini Flash 2.0 模型结合检索内容生成回答
   • 返回增强后的回答给用户

自定义配置

• 修改嵌入模型：可以在代码中更改 embedding_model 的初始化参数
• 调整文本分割参数：修改 text_splitter 的参数以适应不同的数据格式
• 更改 RAG 检索数量：在 retriever 的 search_kwargs 中调整 k 值

注意事项

• 确保您有足够的网络连接以访问 Google API
• 大型 Excel 文件处理可能需要较长时间
• 向量数据库存储在本地 ./vector_store 目录中

依赖库

• langchain：用于构建 RAG 流程
• langchain-google-genai：连接 Gemini 模型
• gradio：提供 Web 界面
• pandas：处理 Excel 文件
• chromadb：向量数据库
• sentence-transformers：文本嵌入模型
• markitdown：Excel 内容提取工具

许可证

本项目使用 MIT 许可证。