【InternLM 实战营第二期作业03】茴香豆：搭建你的RAG智能助理

已于 2024-04-14 19:32:31 修改
阅读量1k 收藏 20
点赞数 28
文章标签： 人工智能
于 2024-04-14 14:41:19 首次发布
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/qq_74261455/article/details/137743548
版权

茴香豆web版地址:

基础作业

在茴香豆 Web 版中创建自己领域的知识问答助手

我上传了python数据分析的文档

设置自己的知识库名称和密码

 上传知识库

查看或上传, 可以为知识库查看和添加数据

添加正反例

 正例
反例

我们可以选择使用文心一言来生成反例

 第一轮对话-正例

第二轮对话-正例

第三轮对话-正例

 第四轮对话-正例

 第五轮对话-正例

通过对上述正例问题的分析，我们可以看到茴香豆对于数据分析领域的相关知识库掌握得相当扎实。它能够针对不同的数据分析场景和需求，提出恰当且具体的问题，显示出其对于数据清洗、预处理、可视化、时间序列分析、机器学习应用、关联规则挖掘、模型评估、数据挖掘与数据分析的区别、聚类分析以及统计方法和测试选择等方面的深入理解。这些正例问题不仅有助于深化对数据分析领域的认识，同时也为数据分析的实践提供了有价值的指导。茴香豆的回答能力充分展现了其在数据分析领域的专业素养和扎实的知识储备。

第六轮对话-反例     

在 InternLM Studio 上部署茴香豆技术助手 

详细实战内容在【InternLM 实战营第二期笔记03】茴香豆：搭建你的RAG智能助理-CSDN博客

 效果展示

茴香豆怎么部署到微信群？

                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                     

清辞292
关注
【InternLM 实战营第二期笔记+基础作业03】茴香豆：搭建你的RAG智能助理
zzzibo的博客
05-14 887
RAG（retrieval augmented generation）是一种结合了检索（retrieval）和生成（generation）的技术，旨在通过利用外部知识库来增强大型语言模型（LLMs）的性能，通过检索与用户输入相关的信息片段，并结合这些信息来生成更准确、更丰富的回答。通俗理解，RAG是一个搜索引擎，在外部知识库当中搜寻相关的内容，结合大语言模型的能力生成回答。最大的优点是帮助大模型处理知识密集型任务时遇到的挑战，可以解决外部记忆缺失的难题。应用场景：问答系统、文本生成、信息检索、图片描述。
【InternLM 实战营第二期-笔记3】茴香豆：搭建你的 RAG 智能助理
Oven_maizi的博客
04-12 1313
大模型的训练时间在前，无法解答针对新增知识的问题，如何解决大模型的幻觉？传统方法：采集新增语料，通过微调等方式对模型进行再训练。缺陷：知识新增太快，语料太多，语料难以收集，训练成本太大。rag技术的提出。（不需要训练，解决新增知识的问题）Rag(retrieval augmented generation)是一种结合了检索（retrieval)和生成（generation)的技术，旨在通过利用外部知识库来增强大型语言模型（llms)的性能。
【InternLM实战营第二期03笔记】【茴香豆：搭建你的 RAG 智能助理】
w626394316的博客
04-30 691
RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合外部知识库来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。RAG 能够让基础模型实现非参数知识更新，无需训练就可以掌握新领域的知识。本次课程选用的茴香豆应用，就应用了 RAG 技术，可以快速、高效的搭建自己的知识领域助手。
【InternLM 实战营第二期笔记03】茴香豆：搭建你的RAG智能助理
qq_74261455的博客
04-14 1035
茴香豆是一个基于LLMs的领域知识助手，由书生浦语团队开发。它专门用于即时通讯工具中的群聊场景，为用户提供及时准确的技术支持和首动花问答服务。通过应用检索增强生成（RAG）技术，茴香豆能够理解和高效准确地回应与特定知识领域相关的复杂查询。它的应用场景广泛，包括智能客服的技术支持和领域知识对话，以及群聊中处理各种类型的信息。然而，随着用户数量的增加，群聊中的信息量巨大且内容多样，从技术讨论到闲聊应有尽有，这给茴香豆带来了一定的挑战。
InternLM 实战营 (第3期)——茴香豆：搭建你的RAG智能助理
yangli080511的专栏
06-06 376
来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合。修改cofig.ini，将31行注释掉。解决方法：pip install。
InternLM实战营第二期笔记·③「茴香豆：搭建你的 RAG 智能助理】」
m0_69227055的博客
04-14 827
教程链接：https://github.com/InternLM/Tutorial/blob/camp2/huixiangdou/readme.md视频链接：https://www.bilibili.com/video/BV1QA4m1F7t4/
【InternLM 实战营第二期笔记】使用茴香豆搭建你的RAG智能助理
JeffDing
04-07 1018
茴香豆是一个基于 LLM 的群聊设计拒答、响应两阶段 pipeline 应对群聊场景，解答问题同时不会消息泛滥。精髓见技术报告成本低至 1.5G 显存，无需训练适用各行业提供一整套前后端 web、android、算法源码，工业级开源可商用。
【InternLM实战营第二期笔记】03：“茴香豆“，搭建你的 RAG 智能助理
莉莉兹的摸鱼日记
05-28 450
Indexing 部分，llamaIndex 是目前比较火的框架。两篇技术报告写得很好，推荐开发者去读一下，很多问题并不是新问题，但在新技术场景下可以尝试不同的解决方案。看来浦语对茴香豆的定位升级成平台性产品了。
书生·浦语大模型实战营第二期：第三节 茴香豆：搭建你的 RAG 智能助理
C_MOONN的博客
04-21 724
检索过程中，茴香豆会将输入问题与两个列表中的问题在向量空间进行相似性比较，判断该问题是否应该回答，避免群聊过程中的问答泛滥。确定的回答的问题会利用基础模型提取关键词，在知识库中检索。进入开发机后，从官方环境复制运行 InternLM 的基础环境，命名为。命令行输入下面的命令，修改用于向量数据库和词嵌入的模型。的相关模块，默认嵌入和重排序模型调用的网易。相关的新增知识就以向量数据库的形式存储在。文件中指定本地模型路径，茴香豆将自动从。用已下载模型的路径替换。，综合问题和检索到的。用于检索的重排序模型。
增强检索RAG-基于LangChain搭建的RAG增强检索系统-附项目源码-优质项目实战.zip
08-28
增强检索RAG_基于LangChain搭建的RAG增强检索系统_附项目源码_优质项目实战
【 书生·浦语大模型实战营】学习笔记（三）：“茴香豆” 搭建你的RAG 智能助理
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 1098
本篇笔记内容主要分为RAG理论介绍和“茴香豆” RAG 智能助理实战。前半部分对RAG流程、向量数据库、优化等展开介绍，后半部分实战任务分为以web页面及Internlm框架进行茴香豆实战，欢迎大家交流学习！
【 书生·浦语大模型实战营】作业（三）：“茴香豆” 搭建你的RAG 智能助理
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 318
本次作业内容： 在茴香豆 Web 版中创建自己领域的知识问答助手 - 参考视频零编程玩转大模型，学习茴香豆部署群聊助手。 - 线上茴香豆助手对话截图(不少于5轮) - 参考代码在自己的服务器部署茴香豆 Web 版（可选） 在 InternLM Studio 上部署茴香豆技术助手 - 根据教程文档搭建 茴香豆技术助手，针对问题"茴香豆怎么部署到微信群？"进行提问
【第3节】“茴香豆“：搭建你的 RAG 智能助理
熊猫小妖的AI世界
04-24 1226
RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合外部知识库来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。LLM会产生误导性的 “幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏专业领域的深度洞察，同时在推理能力上也有所欠缺。
LangChain实战：使用 RAG 工作流程进行高效信息检索 Efficient Information Retrieval with RAG Workflow
AI天才研究院
10-22 1959
检索增强生成 (RAG) 是一种与预训练的大型语言模型 (LLM) 和您自己的数据配合使用来生成响应的模式。seq2seq它结合了预训练密集检索和序列到序列模型的强大功能。RAG 模型检索文档，将它们传递给 seq2seq 模型，然后边缘化以生成输出。article在我向您介绍 RAG 理论部分的文章的继续部分，我在这里向您介绍 RAG 在代码中的实现。让我们开始使用 Langchain 和 Hugging Face 来实现 RAG！
基于Keras的U-Net模型在图像分割与计数中的应用
深度学习实战训练营，一起交流探索深度学习
10-04 1337
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
深度学习每周学习总结J1（ResNet-50算法实战与解析 - 鸟类识别）
qq_33489955的博客
10-04 1240
数据导入及处理部分：本次数据导入没有使用torchvision自带的数据集，需要将原始数据进行处理包括数据导入，查看数据分类情况，定义transforms，进行数据类型转换等操作。划分数据集：划定训练集测试集后，再使用torch.utils.data中的DataLoader()分别加载上一步处理好的训练及测试数据，查看批处理维度.模型构建部分：resnet-50。
毒蘑菇检测数据集 9200张 14类毒蘑菇 带标注 voc yolo
最新发布
阿利同学的博客
10-07 598
毒蘑菇检测数据集 9200张 14类毒蘑菇 带标注 voc yolo
大模型~合集5
whaosoft~aiotの开发板商城
10-02 1531
FLock 的机制设计受到了证明权益（PoS）区块链共识机制和桌面游戏《The Resistance》（一种角色扮演类游戏，该游戏的一个变种叫阿瓦隆）的启发。《The Resistance》游戏则通过投票机制，每轮游戏中玩家独立推理并投票，从而实现全局共识。《The Resistance》有两个不匹配的竞争方，其中较大的一方被称为抵抗力量，另一方被称为间谍。在《The Resistance》中，有一个投票机制，在每一轮中，每个玩家进行独立推理并为一个玩家投票，得票最多的玩家将被视为「间谍」并被踢出游戏。
智能客服实战：大模型RAG应用驱动企业效能提升
实战案例展示了如何通过搭建企业智能问答系统，该系统支持多种功能，如手动上传内部文档、自动加载知识库、可视化数据预处理、与知识库进行交互等。例如，支持上传规章制度、流程问答和技术文档，以及通过NL2SQL自动...
评论 1
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
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