일반 소개
LLM-RAG-Longevity-Coach는 사용자에게 맞춤형 건강 및 장수 관련 조언을 제공하기 위해 설계된 대규모 언어 모델링(LLM) 및 검색 증강 생성(RAG) 기술을 기반으로 하는 챗봇입니다. 타일러 벌리가 개발한 이 프로젝트는 Streamlit을 활용하여 관련 건강 데이터(예: 유전자 변이, 실험실 결과, 보충제 정보)를 검색하여 정확한 건강 조언을 생성하는 사용자 인터페이스를 구축합니다. 사용자는 간단한 채팅 인터페이스를 통해 건강 또는 장수와 관련된 질문을 입력하면 시스템이 맞춤형 조언을 제공하여 건강을 더 잘 관리하고 더 오래 살 수 있도록 돕습니다.


기능 목록
- 맞춤형 건강 조언사용자의 유전자 데이터, 실험실 결과 및 보충제 정보를 기반으로 맞춤형 건강 및 장수 관련 조언을 제공합니다.
- 간소화된 프론트 엔드스트림릿으로 구축된 사용자 인터페이스는 간단하고 직관적이어서 사용자가 쉽게 제안을 입력하고 확인할 수 있습니다.
- 문맥 검색사용 RAG 기술은 대량의 건강 데이터에서 관련 정보를 검색하여 생성된 권장 사항이 정확하고 관련성이 있는지 확인합니다.
- 비용 및 정확도 최적화관련 데이터를 검색하여 불필요한 데이터 전송을 방지하고 처리 비용을 절감하며 추천의 정확도를 높입니다.
도움말 사용
설치 프로세스
- 복제 프로젝트터미널에서 다음 명령을 실행하여 프로젝트 코드를 복제합니다:
git clone https://github.com/tylerburleigh/LLM-RAG-Longevity-Coach.git
- 종속성 설치프로젝트 디렉토리로 이동하여 필요한 종속성을 설치합니다:
cd LLM-RAG-Longevity-Coach
pip install -r requirements.txt
- 애플리케이션 실행스트림릿을 사용하여 애플리케이션을 실행합니다:
streamlit run app.py
사용 가이드라인
- 건강 관련 질문 입력"내 유전학과 실험실 결과에 따라 어떤 보충제를 고려해야 하나요?" 등 건강 또는 장수와 관련된 질문을 채팅 화면에 입력합니다.
- 제안 보기시스템이 관련 건강 데이터를 검색하여 채팅 인터페이스에 표시되는 개인화된 건강 조언을 생성합니다.
- 중간 단계 이해추천 생성의 중간 단계를 표시하여 사용자가 추천의 출처와 근거를 이해할 수 있도록 도와줍니다.
세부 기능 작동 흐름
- 애플리케이션 실행설치 프로세스에 따라 앱을 실행한 후 브라우저를 열어 로컬에서 실행 중인 Streamlit 앱에 액세스합니다.
- 입력 문제채팅창에 건강 관련 질문을 입력하고 시스템에서 보다 정확한 조언을 제공할 수 있도록 상황을 최대한 자세히 설명하세요.
- 결과 보기: 사용자의 입력에 따라 시스템이 관련 건강 데이터를 검색하고 맞춤형 추천을 생성합니다. 채팅 인터페이스에서 전체 권장 사항과 중간 단계를 확인할 수 있습니다.
- 조정 입력제안이 만족스럽지 않은 경우 입력 질문의 설명을 조정하여 더 자세한 내용이나 더 구체적인 질문을 제공하면 시스템에서 제안을 다시 생성합니다.
© 저작권 정책
기사 저작권 AI 공유 서클 모두 무단 복제하지 마세요.
관련 문서
댓글 없음...