rag-stack

name	rag-stack
description	Stack RAG complet avec ChromaDB + HippoRAG 2 pour la base de connaissances EVA
category	data-science

Stack RAG EVA

Stack RAG (Retrieval-Augmented Generation) avec ChromaDB + embeddings sentence-transformers + HippoRAG 2 reranking.

Structure

~/rag-stack/
├── server.py          # API Flask sur :8083
├── indexer.py         # Indexation skills + wiki + monitoring
├── embedder.py        # Embeddings Sentence Transformers + cache
├── query.sh           # CLI pour interroger l'API (pour subagents EVA)
├── start.sh           # Démarrage du serveur
├── install.sh         # Installation des dépendances
├── chroma_db/         # Base vectorielle persistée (~88 Mo)
├── .embed_cache/      # Cache des embeddings (~39 Mo)
├── templates/search.html
├── static/{style.css, script.js}
└── HippoRAG/          # Source cloné OSU-NLP-Group/HippoRAG

API Endpoints

Endpoint	Méthode	Description
/api/rag/stats	GET	Stats : nb chunks, par source, taille DB
/api/rag/search	POST	Recherche vectorielle → top N chunks
/api/rag/query	POST	Question → réponse LLM + contexte avec reranking
/api/rag/reindex	GET	Réindexation complète asynchrone

POST /api/rag/search

{"query": "OPC UA configuration", "top_k": 5, "source": "skill"}

POST /api/rag/query

{"query": "Comment configurer OPC UA ?", "top_k": 5, "use_llm": true}

Stats actuelles

• 9,668 chunks : 9,464 skills, 86 wiki, 118 cybersec
• Modèle : all-MiniLM-L6-v2 (384 dimensions)
• Base ChromaDB : ~88 Mo
• Cache embeddings : ~39 Mo

Utilisation

# Démarrer le serveur
cd ~/rag-stack && bash start.sh

# Interroger (CLI)
./query.sh "Comment faire du SSRF ?"
./query.sh --search "PLC Siemens S7"
./query.sh --stats

# Via curl pour les subagents
curl -X POST http://192.168.1.5:8083/api/rag/search \
  -H "Content-Type: application/json" \
  -d '{"query":"attaque JWT","top_k":3}'

Points clés

• ChromaDB utilisée via pipx (évite les conflits de dépendances Python 3.13)
• HippoRAG 2 reranking : graphe d'entités + Personalized PageRank sur les chunks
• Le cache d'embeddings évite de ré-encoder les textes inchangés
• La réindexation se fait via GET /api/rag/reindex ou python3 indexer.py --recreate