一個基於 LLM + RAG 的機器學習概念解釋系統，
可以將技術概念自動轉換成 結構化說明與視覺知識卡片。
🔗 Live Demo
https://ml-concept-engine.streamlit.app/
ML Concept Engine 是一個 AI 輔助知識系統，
透過 Retrieval Augmented Generation (RAG)
從整理好的機器學習知識庫中檢索內容，
並使用 LLM 生成結構化技術解釋。
系統會自動產生：
- 機器學習概念說明
- 檢索到的知識來源
- 視覺化知識卡片
使用者只需輸入問題，例如：
- capacity 與 depth 的關係？
- learning rate 是什麼
- dropout 的作用
- activation function
- model capacity
- attention mechanism
系統就會生成完整的技術說明與知識卡片。
系統會從整理好的機器學習知識庫中檢索概念內容。
使用者可以輸入機器學習問題。
系統會生成結構化知識卡片。
- 本專案 UI 目前以 桌面瀏覽器 為主要設計目標
- 首次開啟可能需要 數秒載入時間
建議使用較大螢幕瀏覽
使用者輸入問題
↓
Streamlit Web App
↓
RAG Retrieval (Knowledge Base)
↓
Gemini LLM Generation
↓
PIL Generate Knowledge Card
↓
Upload Image to Cloudinary
↓
Save Card Metadata to Supabase
↓
Return Result to Frontend
使用 LLM 生成技術說明。
系統會從整理好的 ML Markdown 知識庫中
檢索最相關的概念內容。
系統會生成可視化卡片，包含：
- 概念定義
- 核心原理
- 實務觀察
- 相關概念
- 來源文件
每張生成的知識卡片會：
- 上傳至 Cloudinary
- 紀錄於 Supabase
可追蹤生成歷史。
- Streamlit
- Gemini API
- sentence-transformers
- Python
- Cloudinary（圖片儲存）
- Supabase（資料庫）
- Streamlit Community Cloud
#結構說明
| Folder | Description |
|---|---|
| assets | 背景圖、字體與視覺資源 |
| knowledge/ml | 機器學習概念知識庫（Markdown）持續更新中 |
| src/app | Streamlit Web App 入口 |
| src/core | 核心邏輯（LLM、Cloudinary、Supabase） |
| src/retrieval | RAG 檢索模組 |
Neurons-33