LLM RAG with Agent

营赢盈英

已于 2024-06-27 15:50:25 修改

阅读量378

点赞数 6

分类专栏： AI 文章标签： python llm

于 2024-06-27 15:49:09 首次发布

本文链接：https://blog.csdn.net/suiusoar/article/details/140015007

版权

AI 专栏收录该内容

362 篇文章 3 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

题意：基于代理的LLM检索增强生成

问题背景：

I was trying the application code in the link.

我正在尝试链接中的应用程序代码。

I am using the following Llang Chain version

我正在使用以下Llang Chain版本

langchain 0.0.327 langchain-community 0.0.2 langchain-core 0.1.0

Getting the following error: 得到以下的错误

Entering new AgentExecutor chain...

Traceback (most recent call last):
  File "RAGWithAgent.py", line 54, in <module>
    result = agent_executor({"input": "hi, im bob"})
  File "\lib\site-packages\langchain\chains\ba

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

营赢盈英

关注关注

6
点赞
踩
8

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

LangChain: Reduce size of tokens being passed to OpenAI

suiusoar

08-09

772

在使用 LangChain时，需要减少传递给OpenAI的令牌（tokens）的数量

大模型技术及趋势总结

京东科技开发者

06-21

869

RAG（Retrieval-Augmented Generation）技术是一种结合检索和生成的方法，用于提升大语言模型（LLM）在知识密集型任务中的性能。通过一个两阶段的过程提升LLMs的输出质量：•检索（Retrieval）阶段，可以从各种数据源检索相关信息；•生成（Generation）阶段，将检索到的文档与原始查询，形成提示模板，一起输入到生成模型中，产生最终的回答。这种方法使模型拥有了利用实时和外部的知识库（非训练时使用的数据）的能力，提高了其在特定问题处理上的灵活性和准确性。

参与评论您还未登录，请先登录后发表或查看评论

一文搞懂大模型！基础知识、 LLM 应用、 RAG 、 Agent 与未来发展

QcloudCommunity的博客

07-18

1068

????目录1 LLM 基础知识2LLM 应用3LLM 的未来发展方向LLM 探秘：想要深入了解人工智能界的“新宠”大型语言模型（LLM）吗？本文将带你走进 LLM 的世界，从入门知识到实际应用，全方位解读这个充满魔力的“大模型”。我们将一起揭开 LLM 的神秘面纱，领略其在各个领域的独特魅力。无论你是初学者还是有一定基础的 AI 爱好者，这篇文章都将为你提供宝贵的知识和启发，让你的 AI 之旅更加...

面向AI的开发：从大模型（LLM）、检索增强生成（RAG）到智能体（Agent）的应用

京东科技开发者

05-24

826

通过上一章的介绍，你可以发现OpenAI已经大规模使用工程化的技术使用户能够基于自己的知识库对其GTP系列大模型进行“增强”，从而实现更加垂直化、个性化的能力。那么，如果你基于成本或安全的考虑，想在私域进行自有知识库的“增强”，甚至切换成其它的大模型来使用这个“增强”，就不得不考虑自行开发实现了，这时候就需要了解检索增强生成（RAG）概念和向量数据库技术的应用。检索增强生成（RAG）技术人工智能的应用方法，它通过结合传统的信息检索技术与最新的生成式深度学习模型，来提升信息的准确性和相关性。

[Agent]开发---ConversationalRetrievalAgent开发

weixin_44236424的博客

08-28

406

conversationRetrievalAgent开发

解密Prompt系列20. LLM Agent之再谈RAG的召回多样性优化

sdgfafg_25的博客

12-04

1575

几个月前我们就聊过RAG的经典方案。前几天刚看完openAI在DevDay闭门会议上介绍的RAG相关的经验，有些新的感悟，借此机会再梳理下RAG相关的优化方案。推荐直接看原视频（外网）：召回的内容要可以回答问题，并且内容丰富度，包括同一问题多个观点，多角度：召回内容和问题相关，总不能召回100篇里面只有2篇和问题有关：召回内容间的观点一致性较高更高要求：高时效性，权威性，观点完整性，内容重复度低这里不妨借鉴前人经验，参考。过去几个月RAG的论文也像是把传统搜索的方案，使用LLM轮番做了一遍范式更新。

从RAG到Agent的转变：多轮对话：与用户进行更深入的互动

AI架构设计之禅

08-31

9155

从RAG到Agent的转变：多轮对话：与用户进行更深入的互动关键词：多轮对话，RAG，阅读理解，Agent，人机交互，自然语言处理，深度学习 1. 背景介绍 1.

构建基于 LlamaIndex 的RAG AI Agent

suiusoar

06-18

1465

构建基于 LlamaIndex 的RAG AI智能体

百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索

丨汀、的博客

07-08

459

百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索

【大模型应用开发动手做AI Agent】LlamaIndex和基于RAG的AI开发

AI天才研究院

05-27

797

随着人工智能技术的飞速发展,大语言模型(Large Language Models, LLMs)在各个领域得到了广泛应用。LLMs通过从大规模文本语料中学习,可以生成连贯、自然的文本,完成复杂的自然语言处理任务。然而,LLMs仍然存在知识储备有限、推理能力不足等问题。为了进一步增强LLMs的能力,学术界和工业界开始探索LLMs与其他技术的结合,比如知识图谱、检索增强生成(Retrieval-Augmented Generation, RAG)等。

LLM Agent之RAG的反思：放弃了压缩还是智能么？

2301_81888214的博客

01-07

959

已经唠了三章的RAG，是时候回头反思一下，当前的RAG是解决幻觉的终点么？我给不出直接的答案，不过感觉当前把RAG当作传统搜索框架在大模型时代下的改良，这个思路的天花板高度有限~反思来源于对RAG下模型回答的直观感受，最初我们被ChatGPT的能力所震惊，并不是它能背诵知识，而是模型在知识压缩后表现出的“涌现能力”，更具体到RAG所属的问答领域，是模型能够精准的基于上文从压缩的参数中召回并整合相应的知识，甚至进行知识外推的能力。通俗点说它有可能生成我在任何地方都检索不到的答案！

openai.error.InvalidRequestError: Must provide an ‘engine‘ or ‘deployment_id‘ parameter to create a

Acecai01的博客模板

05-23

4202

openAI接口使用的小坑

解决使用OpenAI gym进行调试时抛出异常的问题

XL的博客

01-11

2686

解决使用OpenAI gym进行调试时抛出异常的问题环境 Linux/Ubuntu16.04 anaconda3 解决方法 pip install pyglet==1.2.4 原理： pyglet是一个python下的多媒体框架，利用他我们可以轻易的做出交互丰富的应用。同样的框架还有 pygame，panda3d，这两个学起来更难，学习成本更大。对于只是要熟练掌握python

python没有错误但是不显示结果_python出错时提示消息解读

weixin_39949584的博客

11-23

1514

写 Python 代码的时候,当代码中出现错误，会在输出的时候打印 Traceback 错误信息，很多初学者看到那一堆错误信息，往往都会处于懵逼状态，脑中总会冒出一句，这都是些啥玩意。如果你是第一次看到它，也许你不知道它在告诉你什么。虽然 Python 的 Traceback 提示信息看着挺复杂，但是里面丰富的信息，可以帮助你诊断和修复代码中引发异常的原因，以及定位到具体哪个文件的哪行代码出现...

python中zip()与zip(*)的用法解析