EmbedChain：比LangChain更加轻量化的LLM框架

最新推荐文章于 2024-09-27 13:40:54 发布
最新推荐文章于 2024-09-27 13:40:54 发布
阅读量1k 收藏 1
点赞数
分类专栏： LLM应用实战 AI应用实战 AI工具实战 文章标签： 1024程序员节 langchain embedchain LLM框架
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FrenzyTechAI/article/details/134004539
版权

一、前言

在之前的文章中，我们研究了如何使用LangChain结合大型语言模型（LLM）API来构建用户友好且直观的聊天机器人。现在，我们将探索一个新的Python包来进一步简化LangChain的实现。只需3-4行代码，我们就可以轻松地与任何外部数据进行通信！这个神奇的包叫Embedchain！⭐

这些库各有优点。我认为LangChain的性能更好，并且具备更多功能。另一方面，Embedchain则更容易使用，并且免费提供开源的语言模型。总之，这两个库都旨在为您创建专属的语言模型。

选择使用哪个库取决于你的具体需求。例如，如果您需要处理数据，在LangChain库中有20多种工具可供选择，比如与PDF文件互动或者从医疗网站Pubmed获取信息等等；同时还能够从YouTube下载视频并将其转换为文本进行对话等等——所有这些都是LangChain库所擅长的领域。而Embedchain也有其自身的优势。

综上所述，我的建议是掌握这两个库，并在不同情况下做出最佳选择。

二、EmbedChain 介绍

EmbedChain 是一个功能强大的框架，旨在简化使用任何数据集创建语言模型 (LLM) 支持的机器人的过程。它提供了一个抽象层，用于处理数据集加载、分块、嵌入创建以及矢量数据库中的存储。它使用LangChain、OpenAI的Ada嵌入模型、OpenAI的ChatGPT API和Chroma作为存储嵌入的向量数据库。

通过使用 .add 和 .add_local 函数，您可以轻松地将单个或多个数据集添加到您的机器人中。然后，您可以利用 .query 函数从添加的数据集中检索答案。

如果你想创建一个包含 YouTube 视频、PDF 格式的书籍、两篇博客文章和问答对的 Naval Ravikant 机器人，你只需添加相应的链接即可。 Embedchain 将负责剩下的工作，为你创建一个机器人。

from embedchain import App

naval_bot = App()
# 添加在线数据
naval_bot.add("https://www.youtube.com/watch?v=3qHkcs3kG44")
naval_bot.add("https://navalmanack.s3.amazonaws.com/Eric-Jorgenson_The-Almanack-of-Naval-Ravikant_Final.pdf")
naval_bot.add("https://nav.al/feedback")
naval_bot.add("https://nav.al/agi")
naval_bot.add("The Meanings of Life", 'text', metadata={'chapter': 'philosphy'})

# 添加本地资源
naval_bot.add(("谁是海军拉维坎特？", "纳瓦尔·拉维坎特是一位印度裔美国企业家和投资者。"))

naval_bot.query("海军认为人类在理解解释或概念方面拥有哪些独特的能力？")
# 答：海军认为，人类拥有在这个物理现实中最大程度地理解解释或概念的独特能力。

2.1、基本原理

Embedchain 为你抽象出以下步骤，以轻松创建 LLM 支持的应用程序：

  1. 检测数据类型并加载数据

  2. 创建有意义的块

  3. 为每个块创建嵌入

  4. 将块存储在矢量数据库中

当用户提出查询时，会发生以下过程来查找答案：

  1. 为查询创建嵌入

  2. 从向量数据库中查找与查询相似的文档

  3. 将类似文档作为上下文传递给LLM以获得最终答案

加载数据集和查询的过程涉及多个步骤，每个步骤都有自己的细微差别：

  • 我应该如何对数据进行分块？什么是有意义的块大小？

  • 我应该如何为每个块创建嵌入？我应该使用哪种嵌入模型？

  • 我应该如何将块存储在矢量数据库中？我应该使用哪个矢量数据库？

  • 我应该将元数据与嵌入一起存储吗？

  • 我应该如何找到类似的查询文档？我应该使用哪种排名模型？

Embedchain 照顾所有这些细微差别，并提供一个简单的界面来在任何数据上创建应用程序。

三、快速开始

快速安装 embedchain：

pip install --upgrade embedchain

创建应用程序涉及 3 个步骤：

# 导入应用实例
import os
from embedchain import App

os.environ["OPENAI_API_KEY"] = "xxx"
elon_bot = App()

# 添加不同的数据源
elon_bot.add("https://en.wikipedia.org/wiki/Elon_Musk")
elon_bot.add("https://www.forbes.com/profile/elon-musk")
# 你还可以添加本地数据源，例如pdf、csv文件等。
# elon_bot.add("/path/to/file.pdf")

# 查询你的数据并获得答案
response = elon_bot.query("埃隆·马斯克今天的净资产是多少？")
print(response)
# 答：埃隆·马斯克如今的净资产是2587亿美元。

四、大语言模型

Embedchain 内置了对各种流行的大型语言模型的支持。我们为你处理集成这些模型的复杂性，使你可以通过用户友好的界面轻松自定义语言模型交互。

4.1、OpenAI

要使用 OpenAI LLM 模型，您必须设置 OPENAI_API_KEY 环境变量。您可以从OpenAI平台获取OpenAI API密钥。

获得密钥后，您可以像这样使用它：

import os
from embedchain import App

os.environ['OPENAI_API_KEY'] = 'xxx'

app = App()
app.add("https://en.wikipedia.org/wiki/OpenAI")
app.query("What is OpenAI?")

如果您希望配置 LLM 的不同参数，可以通过使用 yaml 配置文件加载应用程序来实现。

import os
from embedchain import App

os.environ['OPENAI_API_KEY'] = 'xxx'

# load llm configuration from config.yaml file
app = App.from_config(yaml_path="config.yaml")

# config.yaml
llm:
  provider: openai
  config:
    model: 'gpt-3.5-turbo'
    temperature: 0.5
    max_tokens: 1000
    top_p: 1
    stream: false

4.2、Hugging Face

使用以下命令安装相关依赖：

pip install --upgrade 'embedchain[huggingface_hub]'

首先，在环境变量中设置 HUGGINGFACE_ACCESS_TOKEN ，您可以从他们的平台获取该环境变量。

获得令牌后，使用配置 yaml 文件加载应用程序：

import os
from embedchain import App

os.environ["HUGGINGFACE_ACCESS_TOKEN"] = "xxx"

# 从config. yaml文件加载llm配置
app = App.from_config(yaml_path="config.yaml")

# config.yaml
llm:
  provider: huggingface
  config:
    model: 'google/flan-t5-xxl'
    temperature: 0.5
    max_tokens: 1000
    top_p: 0.5
    stream: false

五、Embedding 模型

Embedchain 支持以下提供商的多种嵌入模型：

5.1、OpenAI

要使用OpenAI嵌入功能，您必须设置 OPENAI_API_KEY 环境变量。您可以从OpenAI平台获取OpenAI API密钥。

获得密钥后，您可以像这样使用它：

import os
from embedchain import App

os.environ['OPENAI_API_KEY'] = 'xxx'

# 从config. yaml文件加载嵌入模型配置
app = App.from_config(yaml_path="config.yaml")

app.add("https://en.wikipedia.org/wiki/OpenAI")
app.query("What is OpenAI?")

# config.yaml
embedder:
  provider: openai
  config:
    model: 'text-embedding-ada-002'

5.2、Hugging Face

Hugging Face 支持使用 Sentence Transformer 库生成任意长度的文本文档的嵌入。下面给出了如何使用拥抱脸生成嵌入的示例：

from embedchain import App

# 从config. yaml文件加载嵌入模型配置
app = App.from_config(yaml_path="config.yaml")

# config.yaml
llm:
  provider: huggingface
  config:
    model: 'google/flan-t5-xxl'
    temperature: 0.5
    max_tokens: 1000
    top_p: 0.5
    stream: false

embedder:
  provider: huggingface
  config:
    model: 'sentence-transformers/all-mpnet-base-v2'

六、向量数据库

将矢量数据库与 Embedchain 结合使用是一个无缝过程。你需要做的就是在 YAML 配置文件中配置它。我们为下面每个受支持的数据库提供了示例：

6.1、ChromaDB

from embedchain import App

# 从yaml文件加载色度配置
app = App.from_config(yaml_path="config1.yaml")

# config1.yaml
vectordb:
  provider: chroma
  config:
    collection_name: 'my-collection'
    dir: db
    allow_reset: true

# config2.yaml
vectordb:
  provider: chroma
  config:
    collection_name: 'my-collection'
    host: localhost
    port: 5200
    allow_reset: true

6.2、Elasticsearch

使用以下命令安装相关依赖：

pip install --upgrade 'embedchain[elasticsearch]'

from embedchain import App

# 从yaml文件加载elasticsearch配置
app = App.from_config(yaml_path="config.yaml")

# config.yaml
vectordb:
  provider: elasticsearch
  config:
    collection_name: 'es-index'
    es_url: http://localhost:9200
    allow_reset: true
    api_key: xxx

6.3、OpenSearch

使用以下命令安装相关依赖：

pip install --upgrade 'embedchain[opensearch]'

from embedchain import App

# 从yaml文件加载opensearch配置
app = App.from_config(yaml_path="config.yaml")

# config.yaml
vectordb:
  provider: opensearch
  config:
    opensearch_url: 'https://localhost:9200'
    http_auth:
      - admin
      - admin
    vector_dimension: 1536
    collection_name: 'my-app'
    use_ssl: false
    verify_certs: false

6.4、Milvus

使用以下命令安装相关依赖：

pip install --upgrade 'embedchain[milvus]'

设置 Zilliz 环境变量 ZILLIZ_CLOUD_URI 和 ZILLIZ_CLOUD_TOKEN ，您可以在其云平台上找到它。

import os
from embedchain import App

os.environ['ZILLIZ_CLOUD_URI'] = 'https://xxx.zillizcloud.com'
os.environ['ZILLIZ_CLOUD_TOKEN'] = 'xxx'# 从yaml文件加载zilliz配置
app = App.from_config(yaml_path="config.yaml")

# config.yaml
vectordb:
  provider: zilliz
  config:
    collection_name: 'zilliz-app'
    uri: https://xxxx.api.gcp-region.zillizcloud.com
    token: xxx
    vector_dim: 1536
    metric_type: L2

6.5、Pinecone

使用以下命令安装pinecone相关依赖项：

pip install --upgrade 'embedchain[pinecone]'

为了使用 Pinecone 作为矢量数据库，请设置环境变量 PINECONE_API_KEY 和 PINECONE_ENV ，您可以在 Pinecone 仪表板上找到它们。

from embedchain import App

# 从yaml文件加载松果配置
app = App.from_config(yaml_path="config.yaml")

# config.yaml
vectordb:
  provider: pinecone
  config:
    metric: cosine
    vector_dimension: 1536
    collection_name: my-pinecone-index

6.6、Qdrant

为了将 Qdrant 用作矢量数据库，请设置环境变量 QDRANT_URL 和 QDRANT_API_KEY ，您可以在 Qdrant Dashboard 上找到它们。

from embedchain import App

# 从yaml文件加载qdrant配置
app = App.from_config(yaml_path="config.yaml")

# config.yaml
vectordb:
  provider: qdrant
  config:
    collection_name: my_qdrant_index

七、数据源

Embedchain 内置了12种数据源的支持。我们处理从这些数据源加载非结构化数据的复杂性，使你可以通过用户友好的界面轻松自定义你的应用程序。

7.1、CSV 文档

要添加任何 csv 文件，请将 data_type 用作 csv 。 csv 允许远程 URL 和常规文件路径。每行都包含标题，因此如果你有 age 列，则 18 将添加为 age: 18 。例如：

from embedchain import App

app = App()
app.add('https://people.sc.fsu.edu/~jburkardt/data/csv/airtravel.csv', data_type="csv")
# 或者使用本地文件路径添加
# app.add('/path/to/file.csv', data_type="csv")

app.query("总结航空旅行数据")
# 答：航空旅行数据显示了1958年、1959年和1960年7月的航班数量。1958年7月有491个航班，1959年7月有548个航班，1960年7月有622个航班。

注意：csv 文件有一个大小限制，超过该限制可能会引发错误。该限制由LLM设定。请考虑将大型 csv 文件分成较小的 csv 文件。

7.2、代码文档

要将任何代码文档网站添加为加载程序，请使用 data_type 作为 docs_site 。例如：

from embedchain import App

app = App()
app.add("https://docs.embedchain.ai/", data_type="docs_site")
app.query("什么是 Embedchain?")
# 答：Embedchain是一个平台，它利用各种组件，包括付费/专有组件，来提供被认为是最好的配置。它使用LLM（语言模型）提供程序，如OpenAI、Anthproic、Vertex_AI、GPT4ALL、Azure_OpenAI、LLAMA2、JINA和COHere。嵌入式链允许用户为他们的应用程序导入和利用这些LLM提供程序。'

其他支持的数据源类型就不一一列举了，具体可以查阅官方文档，基本上差异就是指定 data_type 属性为文档的类型即可。同时 add 方法既支持传入在线URL地址，也支持传入本地文档地址。

data_type 可选值为：
csv
docs_site
docs
mdx
notion
pdf_file
qna_pair
sitemap
text
web_page
youtube_video

八、数据类型处理

8.1、自动数据类型检测

add 方法根据你对源参数的输入自动尝试检测 data_type。因此 app.add('https://www.youtube.com/watch?v=dQw4w9WgXcQ') 足以嵌入 YouTube 视频。

此检测适用于所有格式。它基于是否是 URL、本地文件、源数据类型等因素。

8.1.1、调试自动检测

在配置yaml中设置 log_level: DEBUG 来调试数据类型检测是否正确。否则，你将不知道何时将无效的文件路径解释为原始文本。

8.1.2、强制数据类型

要忽略数据类型检测的任何问题，你可以通过将 data_type 添加为 add 方法参数来强制使用它。下面的示例向你展示了强制相应 data_type 的关键字。

强制还可以用于边缘情况，例如将站点地图解释为网页，以读取其原始文本而不是跟随链接。

8.2、远程数据类型

在远程数据类型中使用本地文件

某些 data_types 适用于远程内容并且仅适用于 URL。你可以通过使用 file: URI 方案格式化路径来传递本地文件，例如 file:///info.pdf 。

8.3、重用向量数据库

默认情况下，会在./db目录中创建一个持久化的向量数据库。您可以将应用程序拆分为两个Python脚本：一个用于创建本地的向量数据库，另一个用于重用这个本地的持久化向量数据库。当您想要对数百个文档进行索引，并单独实现聊天界面时，这非常有用。

from embedchain import App

naval_chat_bot = App()
naval_chat_bot.add("https://www.youtube.com/watch?v=3qHkcs3kG44")
naval_chat_bot.add("https://navalmanack.s3.amazonaws.com/Eric-Jorgenson_The-Almanack-of-Naval-Ravikant_Final.pdf")

你可以使用相同的代码重用本地索引，但无需添加新文档：

from embedchain import App

naval_chat_bot = App()print(naval_chat_bot.query("海军认为人类在理解解释或概念方面拥有哪些独特的能力？"))

九、自定义配置

Embedchain 开箱即用。对于高级用户，还提供配置选项。这些配置选项都是可选的并且具有合理的默认值。

你可以通过 Embedchain 提供的简单 yaml 配置来配置应用程序的不同组件（ llm 、 embedding model 或 vector database ）。以下是 yaml 配置的通用全栈示例：

app:
  config:
    id: 'full-stack-app'

llm:
  provider: openai
  config:
    model: 'gpt-3.5-turbo'
    temperature: 0.5
    max_tokens: 1000
    top_p: 1
    stream: false
    template: |
      最后使用以下上下文来回答查询。
      如果你不知道答案，就说你不知道，不要试图编造答案。

      $context

      Query: $query

      Helpful Answer:
    system_prompt: |
      扮演威廉·莎士比亚。以威廉·莎士比亚的风格回答以下问题。

vectordb:
  provider: chroma
  config:
    collection_name: 'full-stack-app'
    dir: db
    allow_reset: true

embedder:
  provider: openai
  config:
    model: 'text-embedding-ada-002'

针对上面 yaml 配置中每个键的含义解释如下：

app 部分：

  1.   config:

  2.     id （字符串）：全栈应用程序的 ID 或名称。

llm 部分：

  1.   provider （字符串）：语言模型的提供者，设置为“openai”。你可以在我们的文档中找到 llm 提供商的完整列表。

  2.   model （字符串）：正在使用的特定型号，“gpt-3.5-turbo”。

  3.   config:

  4.     temperature （Float）：控制模型输出的随机性。较高的值（接近 1）使输出更加随机。

  5.     max_tokens （整数）：控制响应中使用的令牌数量。

  6.     top_p （Float）：控制单词选择的多样性。较高的值（接近 1）使单词选择更加多样化。

  7.     stream （布尔值）：控制是否将响应流式传输回用户（设置为 false）。

  8.     template （字符串）：模型用于生成响应的提示的自定义模板。

  9.     system_prompt （字符串）：模型在生成响应时遵循的系统提示，在本例中，它设置为莎士比亚的风格。

vectordb 部分：

  1.   provider （字符串）：矢量数据库的提供者，设置为“色度”。你可以在我们的文档中找到矢量数据库提供商的完整列表。

  2.   config:

  3.     collection_name （字符串）：数据库的初始集合名称，设置为“full-stack-app”。

  4.     dir （字符串）：数据库的目录，设置为“db”。

  5.     allow_reset （布尔值）：表示是否允许重置数据库，设置为true。

embedder 部分：

  1.   provider （字符串）：嵌入器的提供者，设置为“openai”。你可以在我们的文档中找到嵌入模型提供程序的完整列表。

  2.   config:

  3.     model （字符串）：用于文本嵌入的特定模型，“text-embedding-ada-002”。

十、References

[1]. Embedchain GitHub: https://github.com/embedchain/embedchain

[2]. Data Platform for LLMs: https://app.embedchain.ai/

技术狂潮AI
关注
专栏目录
【ChatGLM】基于 ChatGLM-6B + langchain 实现本地化知识库检索与智能答案生成: 中文 LangChain 项目的实现开源工作
AI天才研究院
05-21 6万+
陈光剑简介：著有《ClickHouse入门、实战与进阶》（即将上架）《Kotlin 极简教程》《Spring Boot开发实战》《Kotlin从入门到进阶实战》等技术书籍。资深程序员、大数据与后端技术专家、架构师，拥有超过10年的技术研发和管理经验。现就职于字节跳动，曾就职于阿里巴巴，主要从事企业智能数字化经营管理、电商智能数字化运营等系统架构设计和研发工作。在大数据和企业级系统架构领域有非常深厚的积累，擅长大数据系统架构和分布式系统架构设计开发。
洞悉LangChain：LangChain工程化设计，从API到智能Agent的全面探索
丨汀、的博客
07-12 553
洞悉LangChain：LangChain工程化设计，从API到智能Agent的全面探索
【3种 LangChain 替代品 LlamaIndex、FlowiseAI、Autochain】
一休
08-22 387
LlamaIndex、FlowiseAI、Autochain
一文读懂常见的几种 LangChain 替代品
m0_59164520的博客
05-20 3056
在 LLM （大规模语言模型）应用开发领域，开源框架扮演着至关重要的角色，为广大开发者提供了强大的工具支持。作为这一领域的领军者，LangChain 凭借其创新设计和全面功能赢得了广泛赞誉。但与此同时，一些替代框架也应运而生，为不同场景下的需求提供了更优选择。毕竟，任何框架都难免存在特定的局限性。例如 LangChain 在某些情况下的过度抽象化可能会加大上手难度，调试体验有待加强，部分代码质量也值得完善。
一文读懂常见的几种 LangChain 替代品，看到就是赚到！！
最新发布
2401_85327249的博客
09-27 904
在 LLM （大规模语言模型）应用开发领域，开源框架扮演着至关重要的角色，为广大开发者提供了强大的工具支持。作为这一领域的领军者，LangChain 凭借其创新设计和全面功能赢得了广泛赞誉。但与此同时，一些替代框架也应运而生，为不同场景下的需求提供了更优选择。
Embedchain----介绍
weixin_56666956的博客
09-17 608
如果你想创建一个包括 YouTube 视频、PDF 格式的书籍、两篇博客文章和一个问题与答案对的 Naval Ravikant 机器人，你只需要添加相应的链接。Embedchain 将处理其余的工作，为你创建一个机器人。Embedchain 抽象了加载数据集、切分数据、创建嵌入和将其存储在向量数据库中的整个过程。Embedchain 处理所有这些细节，并提供了一个简单的界面，用于在任何数据集上创建机器人。📝 Embedchain 是一个框架，可轻松创建基于 LLM 的机器人，用于处理任何数据集。
Embedchain：打造轻量级、高效的Web3.0基础设施
gitblog_00095的博客
03-20 487
Embedchain：打造轻量级、高效的Web3.0基础设施 embedchain Production ready RAG framework - Load, index, retrieve and sync any unstructured data 项目地址...
Embedchain: 开源的个性化大语言模型响应框架
步子哥的博客
07-21 604
Embedchain是一个开源框架，旨在为大语言模型的响应提供个性化功能。它的核心设计理念是"约定优于配置，但可配置"（Conventional but Configurable），这使得它既能满足软件工程师的需求，又能满足机器学习工程师的专业要求。领域特定应用：使用在特定领域（如医疗、金融）训练的嵌入模型来提高准确性。多语言支持：使用支持多语言的嵌入模型来创建跨语言的AI应用。
深入解析LangChain框架：使用Python开发LLM应用的全生命周期指南
m0_57781768的博客
06-27 1029
LangChain框架通过一系列开源库提供了丰富的功能，支持开发者快速构建、优化和部署LLM应用。")LangChain框架通过其丰富的功能和强大的生态系统，为开发者提供了一个高效的工具，用于构建、优化和部署大型语言模型应用。通过本文的详细介绍和实际案例，希望读者能够深入理解LangChain框架的工作原理和应用场景，并能够利用其强大功能，开发出满足业务需求的LLM应用。未来，随着技术的不断发展，LangChain框架必将为更多领域带来变革和创新。
使用LangChain快速构建简单的LLM应用：详细教程
m0_57781768的博客
06-27 1113
在当今迅速发展的人工智能（AI）领域，语言模型（LLM）已经成为各种应用程序中的重要工具。LangChain作为一个强大且灵活的框架，使得开发者能够高效地构建和部署基于LLM的应用程序。本教程将带你一步步了解如何使用LangChain构建一个简单的文本翻译应用程序。通过本文，你将学会如何进行环境设置、调用语言模型、创建和使用提示模板、解析输出以及如何使用LangServe部署你的应用程序。
AI测试入门：什么是 LangChain（LLM的应用开发框架）？
blues_C的博客
07-23 1069
1. 什么是 LangChain？2. LangChain 的组件3. LangChain 的架构3.1 数据处理模块3.2 模型管理模块3.3 应用接口模块3.4 监控与管理模块4. LangChain 的核心功能4.1 自动数据清洗4.2 预训练模型集成4.3 模型优化与调优4.4 可视化工具4.5 一键部署5. LangChain 的应用场景5.1 智能客服5.2 内容生成5.3 情感分析5.4 翻译和摘要6. 如何使用 LangChain6.1 安装 LangChain6.2 数据准备。
AutoChain—轻量级且可测试的 LangChain 替代品
2401_85325557的博客
07-09 1499
AutoCHain 是 Forethought AI 公司（成立于 2017，AI 智能客服领域）开源的，先看看它对自己的介绍：AutoChain 从 LangChain 和 AutoGPT 中汲取灵感，旨在通过提供一个轻量级、可扩展的框架来解决这两个问题，开发人员可以使用 LLMs 和自定义工具构建自己的代理，并通过模拟对话自动评估不同的用户场景。有经验的 LangChain 用户会发现 AutoChain 很容易上手，因为它们共享相似但更简单的概念。
LLM-Client一个轻量级的LLM集成工具
deephub
06-29 6276
LangChain丰富的社区和直接的非异步使用可能适合寻找协作环境和更简单的同步操作的开发人员。LLM-Client客户端的性能、灵活性和LLM集成的针对性设计使其成为那些寻求最大控制、高效和精简工作流程的人的是一个很好的工具，尤其是有异步的调用可以提高响应性能。作者：Uri Peled。
Embedchain----快速开始
weixin_56666956的博客
09-16 341
这个快速入门指南让你快速了解如何开始构建基于 LLM 的聊天机器人。使用以下代码在 Python 中运行你的第一个机器人。包，设置 API 密钥，然后添加数据集并进行查询，即可轻松获取答案。💡 在不到30秒内开始构建 LLM 机器人。
如何使用LangChain的替代品SimpleAIChat构建国际象棋AI？
Jerry学长
09-07 634
LangChain是一个用于开发利用大型语言模型的应用程序的强大工具。它的功能包括链接提示、利用强大的代理和将LLM与数据连接起来。然而，在我使用LangChain的经验中，我发现直接使用OpenAI API更简单。有时，使用LangChain的过程似乎不必要地复杂和费解，使得直接与OpenAI API交互成为更有吸引力的选择。显然，我并不是唯一有这种感受的人，在使用LangChain构建后，我在HackerNews上发现了一篇深入讨论该工具问题的帖子。
Embedchain 简介：为 LLM 量身定做的数据平台
Mo 的博客
11-14 365
Embedchain 是一个 Python/Javascript 库，开发人员可以使用它无缝连接多个数据源和大型语言模型。Embedchain 允许我们上传、索引和检索非结构化数据。非结构化数据可以是任何类型，例如文本、网站/YouTube 视频的 URL、图像等。Emdechain 使得使用单个命令上传这些非结构化数据变得简单，从而为它们创建向量嵌入，并使用连接的 LLM 立即开始查询数据。在幕后，Embedchain 负责从源加载数据，对其进行分块，然后为其创建向量嵌入，最后将它们存储在向量存储中。
5个顶级Agent框架-之二：前3个比较常见，后两个很好用但大多数人不知道
m0_59235245的博客
09-18 1033
AI Agent是自主程序，旨在感知其环境并采取行动以实现特定目标。由于强大的构建和部署这些代理的平台的普及，现在各种规模的企业都可以访问这些Agent。这些平台正在使人工智能民主化，使组织能够利用尖端技术，而无需深入了解机器学习或神经网络架构。这些平台的重要性不言而喻。它们不仅仅是工具；它们是创新的催化剂，使企业能够达成以下目的：快速原型和部署人工智能解决方案为特定行业需求定制代理在整个组织中扩展人工智能能力将先进的人工智能功能集成到现有系统中。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

技术狂潮AI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值