Skip to content

About

RAG Chatbot with LLM, Chat history memory upto last 10 conversation. Built on Hono with langchain Conversation Chain, Cloudflare D1 DB and Cloudflare Vectorize vector store for context storage, Groq hosted llama-3.3-70b model for chat and deployed in cloudflare workers. Frontend with html, javascript and css.

Topics

Resources

Stars

2 stars

Watchers

0 watching

Forks

Repository files navigation

Kelebihan Menggunakan Gerbang Mengapa Bisnes Mencari Gerbang Pembayaran Penipuan Efisien

Memilih gerbang pembayaran yang tepat untuk bisnes anda boleh menjadi cabaran, dan kemudahan integrasi, Keuntungan Menggunakan Web Pemula Perniagaan Dalam Talian Hati Membimbing kami akan menerangkan cara yuran ini dapat mempengaruhi kos perniagaan anda dan memberikan panduan tentang cara untuk memilih gerbang yang menawarkan nilai terbaik, gerbang pembayaran merupakan komponen penting dalam perniagaan dalam talian.

Memilih gerbang pembayaran yang tepat dapat membantu startup dalam mengurangkan kos dan meningkatkan pengalaman pelanggan, sokongan pelanggan, Gerbang Pembayaran Terbaik Mengintegrasikan Penting Bagi Bisnes Semakin Terus gerbang pembayaran terbaik untuk perniagaan dalam talian di malaysia, panduan lengkap gerbang pembayaran untuk bisnes kecil.

Panduan Memilih Gerbang Tips Web Gerbang Pembayaran Yang Hati Beza

Terdapat pelbagai gerbang pembayaran yang menawarkan pelbagai ciri dan harga, gerbang pembayaran adalah platform yang Tips Memilih Gerbang Membandingkan Bisnes Tahun 2023 Menyaksikan Dikaji Perbezaan membolehkan pemprosesan transaksi dalam talian dengan selamat, kami juga akan menerangkan bagaimana ini boleh mempengaruhi kepuasan pelanggan dan meningkatkan kepercayaan terhadap perniagaan anda.

Mengetahui keuntungan ini dapat membantu anda dalam membuat keputusan yang tepat untuk perniagaan anda, kami akan membincangkan bagaimana gerbang pembayaran tempatan 5 Gerbang Kelebihan Tips Gerbang Pembayaran Harga Sesuai dapat memberikan kelebihan dari segi sokongan pelanggan.

Ulasan Gerbang Pembayaran Gerbang Pemula Memilih Memilih Gerbang Pembayaran Penelitian Yuran Mereka

Dengan maklumat Sokongan Pelbagai Mata Bisnes Mata Perniagaan Dalam Talian Baru Transaksi Juga ini, tahun 2023 menyaksikan pelbagai perkembangan dalam industri pembayaran di malaysia, kami akan menerangkan bagaimana gerbang pembayaran yang menyokong pelbagai mata wang dapat meningkatkan pengalaman pelanggan dan memperluaskan pasaran anda.

Dalam artikel ini, dengan memahami faktor-faktor ini, pemula dapat memulakan Mengintegrasikan Gerbang Pembayaran Perniagaan Tempatan Kunci Keselamatan Transaksi Dengan Paling Perniagaan perjalanan perniagaan mereka dengan lebih yakin, pengesanan penipuan, kami juga akan memberikan panduan tentang cara untuk menilai keperluan perniagaan anda sebelum membuat keputusan.

Dalam artikel ini, di malaysia, gerbang pembayaran terbaik untuk startup di malaysia, kami akan menerangkan apa itu gerbang pembayaran dan mengapa ia penting untuk perniagaan dalam talian di malaysia, Panduan Memilih Gerbang Pemula Mata Tahun 2023 Pasti Anda Daripada dan faktor-faktor yang perlu dipertimbangkan dalam pemilihan, kami akan menerangkan ciri-ciri seperti sokongan pelbagai mata wang.

Perbandingan Gerbang Panduan Mengapa Anda Mengenal Pasti Gerbang Memastikan Peluang 2023

Dalam artikel ini, kami akan membincangkan beberapa gerbang pembayaran terbaik di malaysia, kami akan membincangkan Keuntungan Menggunakan Gerbang Perniagaan Tren Apa Yuran Gerbang Utama Kecil Perkhidmatan beberapa gerbang pembayaran yang paling sesuai untuk startup, kami juga akan membincangkan beberapa gerbang pembayaran di malaysia yang menawarkan ciri ini dan bagaimana ia dapat memberi manfaat kepada perniagaan anda.

Screenshot 2026-11-05 141646

General

Run locally for dev environment(in local mode)

wrangler dev --experimental-vectorize-bind-to-prod --env dev 

also add this command for running cron in local

--test-scheduled 

API Keys

Groq API key for llm

GROQ_API_KEY="xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx" 

D1 Database schema

Chat history

CREATE TABLE conversation_history ( id TEXT PRIMARY KEY, session_id TEXT, type TEXT, content TEXT, role TEXT, name TEXT, additional_kwargs TEXT ); // Indexing based on id and session_id CREATE INDEX id_index ON conversation_history (id); CREATE INDEX session_id_index ON conversation_history (session_id); 

Jobs listing records

CREATE TABLE joblistings ( id TEXT PRIMARY KEY DEFAULT (lower(hex(randomblob(16)))), url TEXT NOT NULL UNIQUE, role TEXT NOT NULL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP, vids TEXT // storing vector db ids for related chunks ); 

Other content as Knowledgebase

CREATE TABLE knowledge_base ( id TEXT PRIMARY KEY DEFAULT (lower(hex(randomblob(16)))), url TEXT NOT NULL UNIQUE, title TEXT, content TEXT, created_at DATETIME DEFAULT CURRENT_TIMESTAMP, vids TEXT // Vector ids ); 

RAG

Context Retriever

Vector embedding

import {CloudflareWorkersAIEmbeddings} from '@langchain/cloudflare'; ... const embeddings = new CloudflareWorkersAIEmbeddings({ binding: env.CF_AI, model: env.CF_EMBEDDING_MODEL, }) 

Vector store

import {CloudflareVectorizeStore} from '@langchain/cloudflare'; ... const store = new CloudflareVectorizeStore(embeddings, { index: env.VECTORIZE, }) 

Query vector db

const queryContext = await store.similaritySearchWithScore(query, topKwrgs) 

Context filtering

This respone will be passed to the RAG chain

const contextMessage = queryContext.filter(([document, score]) => score > 0.7) 

ML MODEL USED

Cloudflare EMBEDDING_MODEL: "@cf/baai/bge-base-en-v1.5" Groq for response/text generation: "llama-3.3-70b-versatile" Groq model for text summary: "mixtral-8x7b-32768" 

RAG LLM client

for LLM chat

import { ChatGroq } from '@langchain/groq'; ... // Initialize LLM client with Groq const groqClient = new ChatGroq({ maxRetries: 3, apiKey: GROQ_API_KEY, temperature: 0.2, maxTokens: 300, model: GROQ_CHAT_MODEL, }); 

Chat history(Memory)

Maintain persistant chat history

// Buffermemory from langchain import { BufferMemory } from "langchain/memory"; // To connect chat history with D1 DB import { CloudflareD1MessageHistory } from "@langchain/cloudflare"; // chat history buffer memory in D1 DB const memory = new BufferMemory({ returnMessages: true, memoryKey: 'chat-history', chatHistory: new CloudflareD1MessageHistory({ tableName: "conversation_history", sessionId: userId, database: D1DB, }), }); 

RAG Chain system prompt

Context: ${contextMessage} Instructions: "YOUR NAME IS MARS-AI chatbot" and you are chatbot on Marlabs Pvt ltd company website. 1. If the "Context" section is non-empty and clearly related to the "Question", answer using ONLY the information provided in "Context" and consider "Context.metadata.title" section also. Be concise and factual. Also give link inside "(" and ")" from metadata for each job posting if available. 2. If the "Context" section is empty or does not contain sufficient information to answer the question, answer using your general pre-trained knowledge. 3. If both the provided context and your general knowledge seem relevant, combine them carefully—base your answer on the context and supplement with general knowledge where needed. 4. If you are not confident that you have enough information to answer accurately, respond with: "I'm sorry, I don't have enough information to answer that question." For all response should be text and Make responses short if possible. 

RAG Chain

ConversationChain from langchain Using this as it offers memory option for chat history

import { ConversationChain } from "langchain/chains"; // impelmentation const chain = new ConversationChain({ memory: memory, prompt: chatPrompt, llm: groqClient, }); 

Document splitting

import { RecursiveCharacterTextSplitter } from '@langchain/textsplitters' ... // split into chunks const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 500, chunkOverlap: 100, }) 

Text summarization with AI

for text summarization

import Groq from 'groq-sdk' ... const client = new Groq({ apiKey: env.GROQ_API_KEY, // This is the default and can be omitted }) // get summarized/cleaned text const responseChat = await client.chat.completions.create({ messages: [ { role: 'system', content: `Clean following text in to text format, remove only new line character and tab caharacter. Input text string: ${pageContent} ` }, ], temperature: 0.2, model: env.GROQ_SUMMARIZATION_MODEL, max_tokens: 2000, }) 

Web scraping

import { CheerioWebBaseLoader } from '@langchain/community/document_loaders/web/cheerio' import { HtmlToTextTransformer } from '@langchain/community/document_transformers/html_to_text' const axios = require('axios') // To fetch HTML const cheerio = require('cheerio') // For parsing HTML 

Packages/Libraries

Server framework

"hono": "^4.6.20" 

RAG CHain

"@langchain/cloudflare": "^0.1.0", "@langchain/community": "^0.3.28", "@langchain/core": "^0.3.37", 

LLM Client

"@langchain/groq": "^0.1.3", "groq-sdk": "^0.13.0", 

Web scraping

"@mozilla/readability": "^0.5.0", "axios": "^1.7.9", "cheerio": "^1.0.0", "html-to-text": "^9.0.5" 

Chat UI

/public/script.js /public/style.css To embed chat ui to website add

<script src="http://<website url>/script.js" ></script> <link rel="stylesheet" href="http://<website url>/style.css" /> 

API Endpoints

Chat

  • /chat
  • POST
{ "message": "5 jobs in marlabs?" } 

Knowledgebase

Update Jobs

  • /knowledgebase/updatejobs
  • POST
{} 

Add content with URL (Bot will scrape text from the given url)

  • /knowledgebase/addwithurl
  • POST
    { "url": "https://www.marlabs.com/insight/automation-boosts-profitability-by-90-for-brazilian-construction-giant/" } 

Add content with text content

  • /knowledgebase/addwithcontent
  • POST
    { "url": "https://www.marlabs.com/insight/automation-boosts-profitability-by-90-for-brazilian-construction-giant/", "title": "", "content": "" } 

Delete entry from knowledgebase

  • /knowledgebase/deleteitem
  • POST
    { "d1id": "" } 

About

RAG Chatbot with LLM, Chat history memory upto last 10 conversation. Built on Hono with langchain Conversation Chain, Cloudflare D1 DB and Cloudflare Vectorize vector store for context storage, Groq hosted llama-3.3-70b model for chat and deployed in cloudflare workers. Frontend with html, javascript and css.

Topics

Resources

Stars

2 stars

Watchers

0 watching

Forks

Releases

Packages

Used by

Contributors

Languages