KnowledgeHub.MiniRag

یک پروژه نمونه برای پیاده‌سازی RAG (Retrieval-Augmented Generation) با استفاده از:

• ASP.NET Core (.NET 10)
• EF Core + SQL Server
• OpenAI (Embedding + Chat)
• Qdrant (Vector Database)

---

🎯 هدف پروژه

هدف این پروژه ساخت یک چت‌بات ساده مبتنی بر داده‌های شخصی است که بتواند:

• مقالات یا متن‌های شما را دریافت کند
• آن‌ها را به chunkهای کوچک‌تر تقسیم کند
• embedding تولید کند
• در vector database ذخیره کند
• و در نهایت به صورت semantic search + chat پاسخ بدهد

---

🧠 RAG چیست؟

RAG یعنی:

ترکیب جستجوی معنایی (Semantic Search) با مدل‌های زبانی (LLM)

به زبان ساده:

1. سوال کاربر گرفته می‌شود
2. مرتبط‌ترین متن‌ها از دیتابیس پیدا می‌شوند
3. این متن‌ها به مدل داده می‌شوند
4. مدل فقط بر اساس آن‌ها پاسخ می‌دهد

---

🏗️ معماری پروژه

این پروژه بر اساس:

• Clean Architecture (سبک سبک!)
• Feature-based structure
• Separation of concerns

ساخته شده است.

لایه‌ها:

• Core (Domain + Application)
• Infras.SqlServer (Persistence)
• Infras.AI (OpenAI + Qdrant)
• Endpoints (API)

---

⚙️ تکنولوژی‌ها

بخش	تکنولوژی
API	ASP.NET Core
ORM	EF Core
Database	SQL Server
Vector DB	Qdrant
AI	OpenAI

---

🚀 قابلیت‌های نسخه 1

• ثبت سند
• chunk کردن متن
• تولید embedding
• ذخیره در Qdrant
• جستجوی معنایی (Semantic Search)
• چت مبتنی بر RAG
• مشاهده سند و chunkها

---

🧪 اجرای پروژه

مراحل اجرا در این فایل توضیح داده شده:

👉 docs/development/local-setup.md

---

📚 مستندات

• معماری: docs/architecture/overview.md
• ساختار پروژه: docs/architecture/project-structure.md
• RAG pipeline: docs/rag/rag-pipeline.md
• نحوه استفاده: docs/development/how-to-use.md

---

📌 نکات مهم

• این پروژه برای آموزش و نمونه‌سازی طراحی شده
• برخی تصمیم‌ها (مثل عدم استفاده از Repository) آگاهانه ساده‌سازی شده‌اند
• برای production نیاز به بهبود دارد

---

🧭 برنامه نسخه‌های بعدی

• chat history
• re-index
• PDF ingestion
• URL ingestion
• background processing

---

🪪 License

MIT