Как я построил личного RAG-ассистента.
Наконец-то добрался до изучения новой для себя темы.
В последнее время мне хотелось решить довольно простую проблему: заметок в Obsidian становится всё больше, а находить в них нужную информацию вручную всё дольше.
Я не люблю писать пет-проект ради пет-проекта, поэтому я захотел сделать что-то прикладное.
В итоге я решил совместить приятное с полезным и написал своего RAG-ассистента для Obsidian. Он индексирует весь мой vault в векторную БД, на каждый вопрос поднимает релевантные фрагменты заметок и отвечает на основе моего собственного контекста.
Зачем вообще всё это?
Если вы следите за AI-инструментами, то наверняка видели NotebookLM. По сути, мой проект решает похожую задачу , только здесь я сам контролирую весь процесс: от индексации заметок до выбора модели. Для ответов можно использовать как сильные LLM по API, так и open-source модели от Hugging Face.
🔗 Проект можно посмотреть на гитхабе: [GITHUB]
Наконец-то добрался до изучения новой для себя темы.
В последнее время мне хотелось решить довольно простую проблему: заметок в Obsidian становится всё больше, а находить в них нужную информацию вручную всё дольше.
Я не люблю писать пет-проект ради пет-проекта, поэтому я захотел сделать что-то прикладное.
В итоге я решил совместить приятное с полезным и написал своего RAG-ассистента для Obsidian. Он индексирует весь мой vault в векторную БД, на каждый вопрос поднимает релевантные фрагменты заметок и отвечает на основе моего собственного контекста.
Зачем вообще всё это?
Если вы следите за AI-инструментами, то наверняка видели NotebookLM. По сути, мой проект решает похожую задачу , только здесь я сам контролирую весь процесс: от индексации заметок до выбора модели. Для ответов можно использовать как сильные LLM по API, так и open-source модели от Hugging Face.
🔗 Проект можно посмотреть на гитхабе: [GITHUB]