基于RAG构建提供健康建议的小助手（实验项目）

综合介绍

LLM-RAG-Longevity-Coach 是一个基于大语言模型（LLM）和检索增强生成（RAG）技术的聊天机器人，旨在为用户提供个性化的健康和长寿建议。该项目由 Tyler Burleigh 开发，利用 Streamlit 构建用户界面，通过检索相关健康数据（如基因变异、实验室结果、补充剂信息）来生成精准的健康建议。用户可以通过简单的聊天界面输入健康或长寿相关问题，系统会根据用户的具体情况提供定制化的建议，帮助用户更好地管理健康和延长寿命。

功能列表

• 个性化健康建议：根据用户的基因数据、实验室结果和补充剂信息，提供定制化的健康和长寿建议。
• Streamlit 前端：用户界面采用 Streamlit 构建，简洁直观，便于用户输入和查看建议。
• 上下文检索：使用 RAG 技术从大量健康数据中检索相关信息，确保生成的建议精准且相关。
• 成本和准确性优化：通过检索相关数据，避免不必要的数据传输，减少处理成本，提高建议的准确性。

使用帮助

安装流程

1. 克隆项目：在终端中运行以下命令克隆项目代码：

   git clone https://github.com/tylerburleigh/LLM-RAG-Longevity-Coach.git

2. 安装依赖：进入项目目录并安装所需依赖：

   cd LLM-RAG-Longevity-Coach
pip install -r requirements.txt

3. 运行应用：使用 Streamlit 运行应用：

   streamlit run app.py

使用指南

1. 输入健康问题：在聊天界面中输入您的健康或长寿相关问题，例如“根据我的基因和实验室结果，我应该考虑哪些补充剂？”
2. 查看建议：系统会检索相关健康数据，并生成个性化的健康建议，显示在聊天界面中。
3. 了解中间步骤：应用会展示生成建议的中间步骤，帮助用户理解建议的来源和依据。

详细功能操作流程

1. 启动应用：按照安装流程启动应用后，打开浏览器访问本地运行的 Streamlit 应用。
2. 输入问题：在聊天框中输入您的健康问题，尽量详细描述您的情况，以便系统提供更精准的建议。
3. 查看结果：系统会根据您的输入，检索相关健康数据，并生成个性化的建议。您可以在聊天界面中查看完整的建议和中间步骤。
4. 调整输入：如果对建议不满意，可以调整输入问题的描述，提供更多细节或更具体的问题，系统会重新生成建议。