​
RagTool

​
설명

RagTool은 EmbedChain을 통한 RAG(Retrieval-Augmented Generation)의 강력함을 활용하여 질문에 답하도록 설계되었습니다. 이는 다양한 데이터 소스에서 관련 정보를 검색할 수 있는 동적 지식 기반을 제공합니다. 이 도구는 방대한 정보에 접근해야 하고 맥락에 맞는 답변을 제공해야 하는 애플리케이션에 특히 유용합니다.

​
예시

다음 예시는 도구를 초기화하고 다양한 데이터 소스와 함께 사용하는 방법을 보여줍니다:
Code
from crewai_tools import RagTool

# Create a RAG tool with default settings
rag_tool = RagTool()

# Add content from a file
rag_tool.add(data_type="file", path="path/to/your/document.pdf")

# Add content from a web page
rag_tool.add(data_type="web_page", url="https://example.com")

# Define an agent with the RagTool
@agent
def knowledge_expert(self) -> Agent:
    '''
    This agent uses the RagTool to answer questions about the knowledge base.
    '''
    return Agent(
        config=self.agents_config["knowledge_expert"],
        allow_delegation=False,
        tools=[rag_tool]
    )

​
지원되는 데이터 소스

RagTool은 다양한 데이터 소스와 함께 사용할 수 있습니다. 예를 들어:
  • 📰 PDF 파일
  • 📊 CSV 파일
  • 📃 JSON 파일
  • 📝 텍스트
  • 📁 디렉터리/폴더
  • 🌐 HTML 웹 페이지
  • 📽️ YouTube 채널
  • 📺 YouTube 동영상
  • 📚 문서화 웹사이트
  • 📝 MDX 파일
  • 📄 DOCX 파일
  • 🧾 XML 파일
  • 📬 Gmail
  • 📝 GitHub 저장소
  • 🐘 PostgreSQL 데이터베이스
  • 🐬 MySQL 데이터베이스
  • 🤖 Slack 대화
  • 💬 Discord 메시지
  • 🗨️ Discourse 포럼
  • 📝 Substack 뉴스레터
  • 🐝 Beehiiv 콘텐츠
  • 💾 Dropbox 파일
  • 🖼️ 이미지
  • ⚙️ 사용자 정의 데이터 소스

​
매개변수

RagTool은 다음과 같은 매개변수를 허용합니다:
  • summarize: 선택 사항. 검색된 콘텐츠를 요약할지 여부입니다. 기본값은 False입니다.
  • adapter: 선택 사항. 지식 베이스에 대한 사용자 지정 어댑터입니다. 제공되지 않은 경우 EmbedchainAdapter가 사용됩니다.
  • config: 선택 사항. 내부 EmbedChain App의 구성입니다.

​
콘텐츠 추가

add 메서드를 사용하여 지식 베이스에 콘텐츠를 추가할 수 있습니다:
Code
# PDF 파일 추가
rag_tool.add(data_type="file", path="path/to/your/document.pdf")

# 웹 페이지 추가
rag_tool.add(data_type="web_page", url="https://example.com")

# YouTube 비디오 추가
rag_tool.add(data_type="youtube_video", url="https://www.youtube.com/watch?v=VIDEO_ID")

# 파일이 있는 디렉터리 추가
rag_tool.add(data_type="directory", path="path/to/your/directory")

​
에이전트 통합 예시

아래는 RagTool을 CrewAI 에이전트와 통합하는 방법입니다:
Code
from crewai import Agent
from crewai.project import agent
from crewai_tools import RagTool

# Initialize the tool and add content
rag_tool = RagTool()
rag_tool.add(data_type="web_page", url="https://docs.crewai.com")
rag_tool.add(data_type="file", path="company_data.pdf")

# Define an agent with the RagTool
@agent
def knowledge_expert(self) -> Agent:
    return Agent(
        config=self.agents_config["knowledge_expert"],
        allow_delegation=False,
        tools=[rag_tool]
    )

​
고급 구성

RagTool의 동작을 구성 사전을 제공하여 사용자 지정할 수 있습니다.
Code
from crewai_tools import RagTool

# 사용자 지정 구성으로 RAG 도구 생성
config = {
    "app": {
        "name": "custom_app",
    },
    "llm": {
        "provider": "openai",
        "config": {
            "model": "gpt-4",
        }
    },
    "embedding_model": {
        "provider": "openai",
        "config": {
            "model": "text-embedding-ada-002"
        }
    },
    "vectordb": {
        "provider": "elasticsearch",
        "config": {
            "collection_name": "my-collection",
            "cloud_id": "deployment-name:xxxx",
            "api_key": "your-key",
            "verify_certs": False
        }
    },
    "chunker": {
        "chunk_size": 400,
        "chunk_overlap": 100,
        "length_function": "len",
        "min_chunk_size": 0
    }
}

rag_tool = RagTool(config=config, summarize=True)
내부 RAG 도구는 Embedchain 어댑터를 사용하므로 Embedchain에서 지원하는 모든 구성 옵션을 전달할 수 있습니다. 자세한 내용은 Embedchain 문서를 참조하세요. .yaml 파일에서 제공되는 구성 옵션을 반드시 검토하시기 바랍니다.

​
결론

RagTool은 다양한 데이터 소스에서 지식 베이스를 생성하고 질의할 수 있는 강력한 방법을 제공합니다. Retrieval-Augmented Generation을 활용하여, 에이전트가 관련 정보를 효율적으로 접근하고 검색할 수 있게 하여, 보다 정확하고 상황에 맞는 응답을 제공하는 능력을 향상시킵니다.