Academic RAG Assistant
Asisten tanya-jawab dokumen riset dan jurnal ilmiah berbasis FastAPI, LangChain, dan ChromaDB vector store dengan kapabilitas pencarian web.
Peran Full-Stack Developer
Waktu rilis 2026-03
Kategori AI, Web
Teknologi
Python FastAPI LangChain ChromaDB React Tailwind CSS
Gambaran Proyek
Academic RAG Assistant adalah sistem temu-balik informasi berbasis Retrieval-Augmented Generation (RAG) yang dirancang untuk membantu mahasiswa dan peneliti membaca, menyintesis, dan menginterogasi kumpulan literatur ilmiah secara akurat.
Sistem mengekstraksi berkas PDF atau DOCX menjadi representasi vektor semantik di basis data ChromaDB, lalu menyediakan antarmuka percakapan yang dilengkapi agen pemanggil alat (tool-calling agent) untuk mencari konteks dokumen sekaligus referensi tambahan dari web.
Masalah
- Sintesis Ratusan Halaman Literatur: Mahasiswa dan peneliti membutuhkan waktu sangat lama untuk membedah metodologi, keterbatasan, dan hasil eksperimen dari puluhan jurnal ilmiah.
- Halusinasi LLM Tradisional: Model bahasa murni sering mengarang sitasi atau teori yang tampak meyakinkan namun tidak pernah ada di dalam teks asli.
- Keterbatasan Format Dokumen: Format publikasi ilmiah bervariasi dengan struktur multi-kolom, tabel data rumit, dan daftar pustaka yang panjang.
Pengguna
- Mahasiswa Tingkat Akhir: Menganalisis landasan teori dan tinjauan pustaka untuk penulisan skripsi atau tugas akhir.
- Dosen & Peneliti: Memeriksa perbandingan metodologi antar paper riset sejenis secara komparatif.
Keputusan Teknis
- Penyimpanan Vektor Lokal dengan ChromaDB: Menjamin kecepatan indeks potongan teks (chunks) dan pencarian kemiripan kosinus (cosine similarity) tanpa ketergantungan layanan vektor pihak ketiga yang mahal.
- Arsitektur Agen LangChain dengan Tool Calling: Model bahasa tidak hanya menjawab dari potongan teks dokumen yang dicocokkan, tetapi dapat secara mandiri memanggil alat penelusuran web ketika membutuhkan konfirmasi data terbaru.
- Backend Asinkron FastAPI: Menangani proses pengunggahan berkas besar, pemotongan teks (chunking), dan streaming token jawaban ke antarmuka klien secara efisien.
- Frontend Interaktif React & Tailwind: Antarmuka bersih bergaya ruang kerja riset dengan riwayat obrolan dan pratinjau sumber referensi kutipan.
Tantangan
- Chunking Dokumen Akademik: Memotong teks jurnal ilmiah tanpa memutus kesatuan konteks kalimat atau menghilangkan referensi rumus dan tabel yang relevan.
- Penyelarasan Relevansi Jawaban: Mengarahkan agen agar selalu mendahulukan bukti kutipan langsung dari dokumen yang diunggah sebelum mencari sumber umum.
Hasil Terukur
- Akurasi Sitasi: Jawaban yang dihasilkan secara konsisten menyertakan tautan kutipan ke bagian dokumen sumber yang relevan.
- Waktu Temu-Balik Konteks: [TODO: Hitung latensi rata-rata dari pertanyaan pengguna hingga token pertama (Time to First Token / TTFT) pada korpus 50 halaman.]
- Kapasitas Dokumen: Mampu memproses dokumen PDF multi-bab dan mengelompokkannya ke dalam koleksi riset terpisah.