RAG

RAG 結合文件載入、Embedding、檢索與回答產生。

建立 RAG 物件

rag = akasha.RAG(
    model="gemini:gemini-2.5-flash",
    embeddings="gemini:gemini-embedding-001",
    chunk_size=1000,
    search_type="auto",
)

常用建立參數：

參數	意義
model	產生回答的聊天模型。
embeddings	文件與問題使用的 Embedding 模型。
chunk_size	文件分段的大約大小。
search_type	檢索策略，常見值為 auto。
max_input_tokens	最終回答允許的最大輸入量。
use_chroma	在適用情況下使用既有的 Chroma 資料來源。
stream	是否使用串流產生回答。

詢問文件

import akasha

rag = akasha.RAG(
    model="gemini:gemini-2.5-flash",
    embeddings="gemini:gemini-embedding-001",
)

answer = rag(
    data_source="./docs",
    prompt="這些文件的主要內容是什麼？",
)
print(answer)

呼叫方式：

answer = rag(
    data_source=["notes.md", "report.pdf"],
    prompt="請整理重要發現。",
)

一般回傳值是完整的 str。第一次執行可能較久，因為需要準備文件與 Embedding。