将文本或 url 信息结合 LLM 的常识自动转成可视化的知识图谱!

项目简介

这个开源的 text2graph 的工具也太好了 可以将文本或 url 信息结合 LLM 的常识自动转成可视化的知识图谱 目前已经 3.3K Star 非常适合想要快速抓住一篇长文或者一个概念重点以及概念与概念之间关系的场景。

你好,富有冒险精神的程序员!欢迎使用 InstaGraph,这是您将文本或 URL 转换为富有洞察力的知识图的首选应用程序。对复杂主题中实体之间的关系感到好奇吗?将文本输入 InstaGraph,瞧!美丽的知识图谱触手可及。

请参阅此处InstaGraph 生成的示例流程图。

该 Flask 应用程序由 OpenAI 的 GPT-3.5 提供支持,可将您的文本转换为生动的彩色图表,从而更轻松地可视化各种实体之间的关系。说得够多了——让我们开始吧!

特点🌟

  • 动态文本到图形的转换。

  • 颜色编码的图形节点和边。

  • 响应式设计——可在任何设备上使用。

  • 超级用户友好!


安装🛠️

首先,您需要安装 Python 和 pip。

1. Clone the repository 1. 克隆存储库
git clone https://github.com/yoheinakajima/instagraph.git
2. 导航到项目目录
cd instagraph
3.安装所需的Python包
pip install -r requirements.txt
4. 设置您的 OpenAI API 密钥

将 .env.example 更改为 .env

mv .env.example .env

将您的 OpenAI API 密钥添加到 .env 文件:

OPENAI_API_KEY=your-api-key-here
可选 - 设置图形数据库

使用: [--graph neo4j|falkordb]选择图形数据库驱动程序

  • Neo4J

通过创建neo4j实例,在*.env文件中添加 Neo4J 用户名、密码和 URL。

NEO4J_USERNAME=``NEO4J_PASSWORD=``NEO4J_URI=
  • FalkorDB

还可以通过创建FlakorDB实例在*.env文件中添加 FalkorDB URL。

FALKORDB_URL=
5. 运行 Flask 应用程序
python main.py [--graph neo4j|falkordb] [--port port] [--debug]

导航到http://localhost:8080以查看您的应用程序正在运行。


作为容器运行

1. 克隆存储库
git clone https://github.com/yoheinakajima/instagraph.git
2. 导航到项目docker目录
cd instagraph/docker
3.1 在开发模式下运行
docker-compose -f docker-compose-dev.yml up # Add -d flag at the end to run in background/daemon mode.
3.2 在Prod中运行-创建docker镜像
  • 使用gunicorn==21.2.0在生产模式下运行应用程序
docker-compose -f docker-compose.yml up --build -d

用法🎉

网页界面

  • 打开 Web 浏览器并导航到http://localhost:8080

  • 在输入框中键入文本或粘贴 URL。

  • 点击“提交”,等待奇迹发生!

API端点

  1. 获取响应数据: /get_response_data
  • 方法: POST

  • 数据参数: {"user_input": "Your text here"}

  • 响应:GPT-3.5处理的数据

  1. 获取图表数据: /get_graph_data
  • 方法: POST

  • 响应:图表数据

  1. 获取历史数据: /get_graph_history
  • 方法: GET

  • 响应:图表数据

项目链接

https://github.com/yoheinakajima/instagraph

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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