RAG 챗봇 프로젝트

이 프로젝트는 Gradio를 사용한 RAG(Retrieval-Augmented Generation) 챗봇입니다.

주요 기능

• 📄 문서 처리 (PDF, DOCX, TXT)
• 🔍 OCR을 통한 이미지 텍스트 추출
• 🖼️ 이미지 캡셔닝
• 💬 대화형 챗봇 인터페이스
• 🔍 벡터 데이터베이스를 통한 효율적인 검색
• 🧠 대화 히스토리 저장 및 맥락 유지
• 📝 대화 히스토리 관리 기능
• 🔄 자동 시스템 초기화

새로운 기능 (v2.0)

🧠 대화 히스토리 시스템

• 자동 히스토리 저장: 모든 대화가 자동으로 저장됩니다
• 맥락 유지: 이전 대화를 참고하여 일관성 있는 답변 제공
• 히스토리 관리: 대화 히스토리 조회 및 초기화 기능
• 최근 3개 대화 참조: 메모리 효율성을 위한 최적화

🎯 스마트 검색 시스템

• 질문 의도 분석: 키워드 기반으로 검색 범위 자동 결정
• 문서 전용 검색: "문서 요약" 질문 시 문서만 검색
• 이미지 전용 검색: "이미지 분석" 질문 시 이미지만 검색
• 통합 검색: "모든 자료" 질문 시 문서+이미지 모두 검색

🤖 지능형 통합 챗봇

• 자동 모드 선택: 질문 복잡도에 따라 RAG 또는 Agent 모드 자동 선택
• RAG 모드: 빠른 검색 및 응답 (단순한 질문)
• Agent 모드: 복잡한 작업 단계별 처리 (복잡한 질문)
• 사용자 선택: 원하는 모드를 직접 선택 가능

🔄 개선된 시스템

• 자동 초기화: 앱 시작 시 자동으로 시스템 초기화
• 향상된 프롬프트: 히스토리를 포함한 더 정확한 답변 생성
• 에러 처리: 더 안정적인 에러 핸들링

설치 방법

1. 가상환경 활성화:

# Windows
venv\Scripts\activate

# Linux/Mac
source venv/bin/activate

2. 의존성 설치:

pip install -r requirements.txt

3. Tesseract OCR 설치:

   • Windows: https://github.com/UB-Mannheim/tesseract/wiki
   • Linux: sudo apt-get install tesseract-ocr
   • Mac: brew install tesseract

4. API 키 설정 (선택사항):

   • .env 파일에 다음 중 하나 추가:
     • OPENAI_API_KEY=your_api_key_here (OpenAI 사용 시)
     • HUGGINGFACE_API_KEY=your_api_key_here (HuggingFace 사용 시)

사용 방법

python app.py

대화 히스토리 사용법

1. 자동 히스토리: 모든 대화가 자동으로 저장됩니다
2. 히스토리 조회: "📝 대화 히스토리 보기" 버튼 클릭
3. 히스토리 초기화: "🗑️ 대화 히스토리 초기화" 버튼 클릭
4. 맥락 활용: "이전 대화에서 언급된 내용에 대해 더 자세히 설명해주세요" 같은 질문 가능

스마트 검색 사용법

1. 문서 전용 질문:

   • "업로드된 문서들의 주요 내용을 요약해주세요"
   • "PDF 파일에서 정보를 찾아주세요"
   • "텍스트 문서를 분석해주세요"

2. 이미지 전용 질문:

   • "이미지에서 어떤 내용이 보이나요"
   • "사진을 분석해주세요"
   • "스크린샷의 내용을 설명해주세요"

3. 통합 질문:

   • "업로드된 모든 자료를 요약해주세요"
   • "문서와 이미지를 모두 참고해서 답변해주세요"

통합 챗봇 사용법

1. 자동 모드 (권장):

   • 질문 복잡도에 따라 자동으로 최적 모드 선택
   • "업로드된 문서들의 주요 내용을 요약해주세요" → RAG 모드
   • "문서를 분석하고 핵심 포인트를 추출해주세요" → Agent 모드

2. 수동 모드 선택:

   • RAG 모드: 빠른 응답이 필요한 단순한 질문
   • Agent 모드: 복잡한 분석이 필요한 질문

3. 모드별 특징:

   • RAG 모드: 빠른 검색, 출처 정보 표시
   • Agent 모드: 단계별 실행 과정, 상세한 분석

프로젝트 구조

RAGtest/
├── app.py                 # 메인 Gradio 앱 (히스토리 + Agent 기능)
├── rag_agent.py          # ReAct DocStore Agent
├── document_processor.py  # 문서 처리 모듈
├── image_processor.py     # 이미지 처리 모듈
├── rag_system.py         # RAG 시스템 핵심 (히스토리 관리)
├── utils.py              # 유틸리티 함수들
├── data/                 # 문서 저장소
│   └── chromadb/        # 벡터 데이터베이스
├── uploads/              # 업로드된 파일들
└── requirements.txt      # 의존성 목록

기술 스택

• RAG 아키텍처: Retriever + Chain + Memory
• 벡터 데이터베이스: ChromaDB
• 임베딩 모델: SentenceTransformer
• LLM: OpenAI GPT, Ollama, HuggingFace
• 웹 인터페이스: Gradio
• 문서 처리: PyPDF2, python-docx
• 이미지 처리: Tesseract OCR, Transformers

학습 내용

이 프로젝트는 다음 개념들을 학습하고 구현합니다:

1. Retriever: 벡터 검색을 통한 관련 문서 검색
2. Chain: RAG 파이프라인 구성
3. Memory: 대화 히스토리 관리
4. Vector Database: ChromaDB를 통한 임베딩 저장
5. Prompt Engineering: 맥락을 고려한 프롬프트 설계