Этот учебник демонстрирует создание персональной базы знаний о здоровье с использованием генерации с дополненной выборкой (RAG). Цель состоит в том, чтобы преобразовать статические медицинские PDF-отчеты в динамическую, доступную для запросов систему. LlamaIndex оркестрирует процесс, Unstructured.io обрабатывает извлечение сложных данных из PDF, а Pinecone служит векторным хранилищем. Эта система объединяет исторические личные данные с текущей медицинской литературой.Архитектура использует гибридный подход к интеллекту. DuckDB используется для структурированного анализа тенденций на основе SQL личных метрик, в то время как Pinecone хранит неструктурированный семантический контекст из медицинских исследований. Стратегия hi_res от Unstructured.io имеет решающее значение для извлечения таблиц из PDF.Система требует Python 3.10+, Unstructured.io и ключи API Pinecone. Таблицы извлекаются с помощью Unstructured.io и фильтруются для структурированного анализа. Структурированные данные, такие как уровни биомаркеров, хранятся в DuckDB для анализа временных рядов.Медицинские заметки и исследования хранятся в Pinecone для семантической выборки. SQLAutoVectorQueryEngine от LlamaIndex интеллектуально маршрутизирует запросы пользователей. Он направляет вопросы о личных тенденциях в DuckDB, а вопросы о медицинских последствиях — в Pinecone.Это позволяет проводить комплексные запросы, такие как анализ личных тенденций холестерина в сравнении с текущими рекомендациями. Конечный результат предоставляет действенные сведения о здоровье, объединяя анализ личных тенденций с контекстом, основанным на доказательствах. Хотя эта настройка предназначена для обучения, производственные системы требуют более строгой конфиденциальности данных и медицинского обоснования. В заключении подчеркивается, что RAG может контекстуализировать данные для получения действенных сведений, выходя за рамки простого чата с документами.