
如何把 Telegram 聊天记录导入 Quivr 并进行问答检索【免费下载链接】quivrOpiniated RAG for integrating GenAI in your apps Focus on your product rather than the RAG. Easy integration in existing products with customisation! Any LLM: GPT4, Groq, Llama. Any Vectorstore: PGVector, Faiss. Any Files. Anyway you want.项目地址: https://gitcode.com/GitHub_Trending/qui/quivr如果你已经导出了 Telegram 的聊天记录希望把它变成可检索、可提问的知识库而不是散落在本地的 JSON 文件这篇文章对应这条完整路径用 Telegram Desktop 导出指定聊天的Machine-readable JSON文件将文件改名为.telegram扩展名后上传到 Quivr 的 Brain之后就可以用brain语法直接对这段聊天记录提问。操作依据来自 Telegram 连接器文档 和 Docs and URLs 文档。准备工作安装 Telegram Desktop 应用。Quivr 文档明确说明聊天记录导出使用 Telegram Desktop 完成。有一个可用的 Quivr 实例并登录你的账户。从 Telegram Desktop 导出聊天记录在 Telegram Desktop 中按以下顺序操作进入Settings Advanced Export Telegram data选择你要导出的那个聊天格式选择Machine-readable JSON——这一步是必须的Quivr 后续解析的是这种机器可读格式点击Export等待导出完成。导出得到的是一个json文件但还不能直接上传按 Telegram 连接器文档 的说明需要把它改名为yourname.telegram。这里yourname是你自己起的任意文件名关键是扩展名必须是.telegram因为这是 Quivr 前端上传时支持的扩展名之一见 SupportedFileExtensions.ts 中的telegram条目。创建 Brain 并上传 .telegram 文件在 Quivr 中完成导入分三步对应 Docs and URLs 文档 的流程创建 Brain进入 Quivr 创建一个 brain填写名称和描述描述写得越具体越好因为当你提问时没有指定 BrainQuivr 会根据描述自动选择最匹配的 Brain 来回答上传文件点击 Upload 按钮把改好名的.telegram文件上传到这个 Brain。上传完成后你还可以按需调整 Brain 的名称、描述、使用的模型GPT3.5 或 GPT4以及 prompt这一步是可选的不影响检索能力本身。对聊天记录提问并查看来源上传完成后在 Quivr 中输入brain后接你的问题就可以针对这段聊天记录提问。Telegram 连接器文档 给出的成功标准就是一句话上传后You can now search your Telegram chat history!——即 Brain 能基于聊天记录回答问题。进一步核对答案是否真的来自你的聊天记录可以看引用来源在 Chat 文档 中说明每条 Brain 回复底部都有一个文件图标点击后可以查看该条回答引用的具体来源文件。如果你的回答里能点开.telegram文件作为来源说明检索命中了你导入的聊天记录。限制与深入参考导出格式限定为Machine-readable JSON并且文件扩展名必须改为.telegram两者缺一都不符合文档描述的导入路径导入只能针对你在 Telegram Desktop 中导出的具体聊天导出时选择哪个聊天Brain 里就只有哪个聊天的内容想了解.telegram文件在服务端如何被解析可以看 telegram.py 解析入口它通过TelegramChatFileLoader完成文件加载同一篇 Telegram 文档 还描述了另一项独立功能通过/connectors/telegram的.env.example配置TELEGRAM_BOT_TOKEN、QUIVR_TOKEN、QUIVR_CHAT_ID、QUIVR_BRAIN_ID、QUIVR_URL等变量来创建 Telegram Bot把 Quivr 的问答接入 Telegram 机器人。这与导入聊天记录是两条不同的路径本文不涉及。【免费下载链接】quivrOpiniated RAG for integrating GenAI in your apps Focus on your product rather than the RAG. Easy integration in existing products with customisation! Any LLM: GPT4, Groq, Llama. Any Vectorstore: PGVector, Faiss. Any Files. Anyway you want.项目地址: https://gitcode.com/GitHub_Trending/qui/quivr创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考