Memvid Document Encoder

Un'interfaccia web semplice per codificare documenti PDF e file di testo in formato Memvid.

Cos'è Memvid?

Memvid è una libreria Python per la creazione di knowledge base basate su video QR code che permette:

• Suddividere e codificare dati testuali in video di codici QR
• Ricerca semantica veloce e recupero dai video QR
• Interfaccia conversazionale AI con memoria contestuale

Come usare questa app

1. Avvia l'app con python run.py
2. Carica un file PDF o un file di testo/markdown
3. Regola i parametri avanzati (opzionale)
4. Premi il pulsante "Codifica Documento"
5. Scarica il file video MP4 e il file indice JSON generati

Parametri avanzati

• Dimensione Chunk: Quanti caratteri includere in ogni frammento di testo (chunk)
• Sovrapposizione: Quanti caratteri sovrapporre tra chunk consecutivi
• FPS: Frame per secondo nel video generato (influenza la densità di dati)
• Dimensione Frame: Dimensione dei frame del codice QR (in pixel)

Struttura dei file

• uploads/: Cartella per i file caricati
• outputs/: Cartella per i file generati
• debug.py: Script per verificare l'ambiente
• check_api.py: Script per verificare l'API di Memvid
• esempio_base.py: Esempio di utilizzo senza interfaccia
• simple_app.py: Versione semplificata dell'interfaccia web

API di Memvid

Da notare che l'API di Memvid ha alcune particolarità:

# Inizializzazione
encoder = MemvidEncoder()  # Non accetta chunk_size/overlap nel costruttore

# Aggiunta di documenti PDF
encoder.add_pdf(file_path, chunk_size=500, overlap=50)  # Parametri di chunking qui

# Aggiunta di testo
encoder.add_text(content, chunk_size=500, overlap=50)  # Parametri di chunking qui

# Aggiunta di chunks pre-elaborati
encoder.add_chunks(["chunk1", "chunk2", "chunk3"])  # Non accetta source

# Generazione del video
encoder.build_video(output_video, output_index) 

Tecnologia

Questo progetto utilizza la tecnologia Memvid per convertire i dati testuali in codici QR, che vengono poi assemblati in un file video MP4. Questo approccio offre:

• Compressione estrema (50-100 volte più piccolo dei database vettoriali tradizionali)
• Portabilità (nessuna infrastruttura di database necessaria)
• Ricerca semantica veloce anche offline