- 博客(198)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 使用 LangChain 掌握检索增强生成 (RAG) 的终极指南：3、HyDE（假设文档嵌入）在RAG中的应用
HyDE不是基于原始问题生成查询，而是专注于为给定的查询生成假设性文档。生成这种假设性文档的直觉是它们的嵌入向量可以用来在语料库嵌入空间中识别一个邻域，在这个邻域中，基于向量相似性检索类似的真实文档。在这种情况下，RAG将能够基于假设性文档检索更相关的文档，以准确回答用户查询。尽管这种技术可能有助于回答问题，但由于基于错误/虚构的假设性段落检索文档，答案有可能是错误的。首先，与之前的笔记本类似，我们首先创建我们的向量存储，并使用。使用生成的段落，我们使用我们的检索器检索相似的文档。回答我们原始的问题。
2024-07-17 17:28:56
338
原创 使用 LangChain 掌握检索增强生成 (RAG) 的终极指南：2、查询转换
查询转换的核心思想是将用户查询以一种能让大型语言模型（LLM）正确回答问题的方式进行翻译或转换。例如，如果用户提出一个模糊的问题，我们的RAG检索器可能会根据与用户问题不太相关的嵌入（embeddings）检索出错误的（或模糊的）文档，导致LLM生成错误的答案。现在，让我们尝试使用LangChain实现上述技术！与上一篇类似，我们首先导入库，加载文档，分割它们，生成嵌入，将它们存储在向量存储中，并使用向量存储创建检索器。
2024-07-16 17:22:29
1022
原创 使用 LangChain 掌握检索增强生成 (RAG) 的终极指南：1、使用Langchain与RAG构建问答系统
本节介绍了如何使用Langchain和OpenAI创建一个简单的问答系统。我们首先加载PDF文档，然后生成嵌入向量并存储在ChromaDB中。接着，我们初始化检索器来找到与问题最相关的文档，并创建一个问答链来生成答案。
2024-07-15 17:32:10
886
翻译 LangChain-v0.2文档翻译：3.13、如何配置运行时链内部结构
本文介绍了如何在LangChain框架中配置运行时链的内部步骤。LangChain是一个用于构建和部署机器学习模型的Python库，特别适用于构建和配置复杂的处理链。通过。
2024-07-17 17:23:40
24
原创 构建LangChain应用程序的示例代码：68、如何使用百度千帆平台和百度ElasticSearch实现检索增强生成(RAG)
本文档展示了如何使用百度千帆平台和百度ElasticSearch实现检索增强生成(RAG)。它涵盖了从BOS加载文档、文本分割、嵌入向量生成、向量存储、检索器创建到最终的问答系统实现的完整流程。该实现利用了百度云的多个服务,包括千帆大模型平台、ElasticSearch和对象存储(BOS),展示了如何集成这些服务来创建一个强大的RAG系统。
2024-07-17 17:15:13
626
原创 构建LangChain应用程序的示例代码：67、如何使用OpenAI函数实现文本引用提取
本文档展示了如何使用OpenAI的函数能力从文本中提取引用。它使用LangChain库创建了一个模糊匹配链,该链可以从给定的上下文中提取与问题相关的事实和证据。文档包括了完整的代码示例,演示了如何设置环境、创建链、运行查询以及格式化输出结果。
2024-07-17 17:11:14
198
翻译 LangChain-v0.2文档翻译：3.12、如何将输入参数从一个链步骤传递到下一个链
本文介绍了LangChain框架中的类，它允许将数据从一个步骤原封不动地传递到另一个步骤。通过示例代码，我们学习了如何使用与结合使用，以及如何在实际应用中格式化输入到提示。
2024-07-16 17:09:45
13
原创 构建LangChain应用程序的示例代码：66、如何使用LangChain实现程序辅助语言模型(PAL)
本文介绍了如何使用LangChain实现程序辅助语言模型(PAL)。PAL是一种结合了语言模型和程序执行的方法,可以处理复杂的数学问题和对象操作问题。文章展示了如何设置PAL链,并通过两个具体示例(数学问题和彩色对象问题)演示了其使用方法。最后,还介绍了如何获取PAL链的中间步骤。
2024-07-16 17:04:13
503
原创 构建LangChain应用程序的示例代码：65、如何使用Kay.ai获取和处理新闻稿数据
本文介绍了如何使用Kay.ai提供的新闻稿数据服务。首先解释了新闻稿的重要性和Kay.ai的数据来源,然后详细说明了如何设置和使用Kay.ai的API来检索新闻稿信息。文章还提供了一个使用LangChain和OpenAI结合Kay.ai数据的具体示例。
2024-07-16 17:00:43
764
翻译 LangChain-v0.2文档翻译：3.11、使用LangChain中的自定义函数
本文详细介绍了如何在LangChain框架中使用自定义函数作为Runnables，包括使用构造器、装饰器、自动转换和流式处理。通过示例代码，我们学习了如何显式创建可运行的自定义函数，如何将自定义函数转换为Runnables，以及如何在自定义函数中使用运行元数据和流式处理。
2024-07-15 16:49:48
18
原创 构建LangChain应用程序的示例代码：64、计划与执行式智能体的概念、实现方法和应用示例
本文档介绍了计划与执行式智能体的概念、实现方法和应用示例。计划与执行式智能体的基本原理所需库的导入工具的定义和设置规划器、执行器和智能体的创建运行示例，展示智能体如何解决复杂问题。
2024-07-15 16:23:32
429
原创 构建LangChain应用程序的示例代码：63、如何使用Petting Zoo库定义和运行多智能体模拟环境
这个文件展示了如何使用Petting Zoo库定义和运行多智能体模拟环境。定义了一个基础的GymnasiumAgent类扩展出PettingZooAgent类以适应多智能体环境进一步定义了ActionMaskAgent类来处理带动作掩码的环境展示了在石头剪刀布、井字棋和德州扑克无限注环境中使用这些智能体的例子。
2024-07-15 16:21:07
1018
翻译 LangChain-v0.2文档翻译：3.10、如何为Runnable添加默认调用参数
本文介绍了如何在Python中使用Runnable和RunnableSequence进行参数绑定，包括如何使用Runnable.bind()方法设置常量参数，以及如何进行工具调用。通过示例代码，我们学习了如何构建一个简单的提示+模型链，并展示了如何通过绑定参数来控制模型的输出。此外，还提供了关于如何使用工具调用和如何使用.bind_tools()方法的示例
2024-07-10 17:47:37
183
原创 构建LangChain应用程序的示例代码：62、如何使用Oracle AI向量搜索和Langchain构建端到端的RAG（检索增强生成）pipeline
本指南突出了Oracle AI向量搜索的强大功能，包括与关系型数据的结合、广泛的文档格式支持、灵活的嵌入和摘要生成选项，以及优化的搜索性能。
2024-07-10 17:36:26
1092
原创 构建LangChain应用程序的示例代码：61、如何使用 LangChain 和 LangSmith 优化链
本文档介绍了如何使用 LangChain 和 LangSmith 来优化问答链。设置环境和加载数据创建初始检索链运行示例并进行标注创建数据集使用少量示例进行优化。
2024-07-10 17:21:32
592
翻译 LangChain-v0.2文档翻译：3.9、如何在LangChain中并行调用可运行组件
本文介绍了如何在LangChain中使用RunnableParallel原语来并行执行多个可运行组件，并通过字典形式返回它们的输出结果。通过实际的代码示例，展示了如何使用RunnableParallel进行操作的并行化，以及如何使用itemgetter来简化从映射中提取数据的过程。此外，还讨论了RunnableParallel在执行独立进程时的效率优势。
2024-07-09 17:24:02
165
原创 构建LangChain应用程序的示例代码：60、探索 OpenAI V1 新功能及其在 LangChain 中的应用
这个文档详细介绍了 OpenAI 在 2023 年 11 月 6 日发布的新功能，以及如何在 LangChain 框架中使用这些功能
2024-07-09 17:17:01
1539
原创 构建LangChain应用程序的示例代码：59、如何使用OpenAI函数来结构化问答系统的输出
本文介绍了如何使用OpenAI函数来结构化问答系统的输出。使用OpenAI函数创建基本的问答链使用Pydantic模型定义输出结构在对话检索链中应用结构化输出自定义输出模式以包含额外信息。
2024-07-09 17:12:07
269
翻译 LangChain-v0.2文档翻译：3.8、如何在LangChain中进行流式传输
本文详细介绍了如何在LangChain中使用流式传输，包括同步和异步方法，以及如何通过流式传输事件来监控和处理应用程序的中间步骤。通过实际的代码示例，展示了如何使用。
2024-07-08 18:03:10
26
原创 构建LangChain应用程序的示例代码：58、如何使用 Nomic 的新嵌入模型构建和部署一个检索增强生成(RAG)应用
本文档介绍了如何使用 Nomic 的新嵌入模型构建和部署一个检索增强生成(RAG)应用。Nomic 嵌入模型的介绍设置和登录 Nomic API加载和分割文档使用 Nomic 嵌入创建向量索引构建 RAG 链,包括检索器和语言模型使用 LangServe 部署 RAG 应用文档还讨论了长上下文检索的考虑因素,以及使用不同的语言模型选项(如 Mistral 和 GPT-4)。
2024-07-08 17:46:52
950
原创 构建LangChain应用程序的示例代码：57、如何使用 MyScale 向量数据库和 LangChain 库来创建一个向量 SQL 检索器
这个文件介绍了如何使用 MyScale 向量数据库和 LangChain 库来创建一个向量 SQL 检索器。设置 MyScale 数据库连接创建向量 SQL 数据库链使用向量 SQL 数据库链进行查询将 SQL 数据库用作检索器创建和使用检索 QA 链文件中的代码示例展示了如何配置和使用这些组件来执行语义搜索和问答任务。
2024-07-08 17:43:31
579
原创 构建LangChain应用程序的示例代码：56、如何实现一个多智能体模拟,其中没有固定的发言顺序。智能体自行决定谁来发言,通过竞价机制实现
定义参与辩论的人物和辩论主题# character_names: 参与者姓名列表# topic: 辩论主题# word_limit: 回答字数限制最后,我们将定义一个发言人选择函数,它接受每个智能体的出价并选择出价最高的智能体(同分随机打破平局)。我们将定义一个函数,使用我们之前定义的bid_parser来解析智能体的出价。我们将使用tenacity来装饰,在智能体的出价无法正确解析时多次重试,并在达到最大尝试次数后生成默认出价0。
2024-07-05 17:33:50
997
原创 构建LangChain应用程序的示例代码：55、如何实现多代理模拟，其中特权代理决定谁发言。这遵循与多代理分散发言者选择相反的选择方案
定义讨论话题、主持人名称、参与者信息和字数限制最后我们将定义一个说话者选择函数,它接受每个代理的出价并选择出价最高的代理(随机打破平局)。我们将定义一个函数,它使用我们之前定义的bid_parser来解析代理的出价。我们将使用tenacity来装饰,以便在代理的出价无法正确解析时多次重试,并在最大尝试次数后产生默认出价0。) -> int:"""如果步骤是偶数,则选择导演否则,由导演选择下一个说话者。"""# 导演在奇数步骤说话idx = 0else:# 这里导演选择下一个说话者。
2024-07-05 17:26:54
866
原创 构建LangChain应用程序的示例代码：54、如何使用`DialogueAgent`和`DialogueSimulator`类来扩展两人《龙与地下城》示例到多人游戏
这个文件展示了如何使用和类来扩展两人《龙与地下城》示例到多人游戏。主要区别在于修改了每个代理发言的调度方式。文件包含了代理类的定义、角色和任务的设置、使用语言模型生成详细描述,以及主要的对话模拟循环。
2024-07-04 17:36:11
786
原创 构建LangChain应用程序的示例代码：53、利用多模态大型语言模型在RAG应用中处理混合文档的示例
本文介绍了如何在检索-生成（RAG）应用中结合使用多模态大型语言模型（LLMs），如GPT-4V，来处理包含文本和图像的混合文档。文章首先强调了在RAG中整合图像信息的重要性，并提出了使用非结构化工具来解析PDF中的图像、文本和表格的方法。接着，介绍了如何利用多模态嵌入（例如CLIP）和VDMS作为矢量存储来嵌入和检索图像和文本。文章还提供了详细的代码示例，包括如何启动VDMS服务器、加载数据、创建多模态嵌入、构建RAG链，以及如何测试检索和RAG链的运行。
2024-07-04 17:25:55
1364
原创 构建LangChain应用程序的示例代码：52、如何使用 Chroma 和 Google 实现多模态检索增强生成 (RAG)
本文件详细介绍了如何使用 Chroma 和 Google 实现多模态检索增强生成 (RAG)。主要内容包括系统的整体架构、关键组件、代码实现以及应用示例。文中展示了如何将文本和图像数据结合，利用检索技术增强生成模型的性能。具体代码部分提供了详细的实现步骤，并辅以注释以帮助理解。
2024-07-03 17:43:53
422
原创 构建LangChain应用程序的示例代码：51、如何使用 Chroma 实现多模态检索增强生成 (RAG)
本文件详细介绍了如何使用 Chroma 实现多模态检索增强生成 (RAG)。主要内容包括系统的整体架构、关键组件、代码实现以及应用示例。文中展示了如何将文本和图像数据结合，利用检索技术增强生成模型的性能。具体代码部分提供了详细的实现步骤，并辅以注释以帮助理解。
2024-07-03 17:34:28
1196
原创 构建LangChain应用程序的示例代码：50、如何在检索-生成 (RAG) 应用中利用多模态大型语言模型 (LLM) 处理包含文本和图像的混合文档的示例
本文探讨了在检索-生成（RAG）应用中，如何利用多模态大型语言模型（LLM）处理混合文档，这类文档通常包含文本和图像。文章提出了三种集成图像到RAG流程的方法，特别强调了第三种方法，即直接使用多模态LLM生成答案。通过非结构化工具解析PDF文件，结合Chroma多向量检索器和GPT-4V模型，文章展示了如何提取和处理图像、文本和表格数据。提供的代码示例涵盖了从环境配置到数据加载、多模态数据处理、检索器构建，以及最终的RAG链的实现。
2024-07-02 18:01:22
1505
原创 构建LangChain应用程序的示例代码：49、如何使用 OpenAI 的 GPT-4 和 LangChain 库实现多模态问答系统
本指南介绍了如何使用 OpenAI 的 GPT-4 和 LangChain 库实现多模态问答系统。文中包含了加载图像、编码图像为 base64 字符串、使用 HTML 标签显示图像，以及结合文本和图像信息进行问答的具体步骤。
2024-07-02 17:42:47
835
翻译 LangChain-v0.2文档翻译：3.6、如何调试你的LLM应用
本文介绍了在构建LLM（大型语言模型）应用时的三种主要调试方法：详细模式、调试模式和LangSmith追踪。文章详细解释了每种方法的特点和使用方式，并通过示例代码展示了如何实现这些调试技术。
2024-07-01 17:57:38
36
原创 构建LangChain应用程序的示例代码：48、如何使用非文本生成工具创建多模态代理
本文介绍了如何使用非文本生成工具创建多模态代理。示例限于文本和图像输出，并使用UUID在工具和代理之间传输内容。文章使用Steamship来生成和存储图像，并展示了如何使用DALL-E和Stable Diffusion模型生成图像。
2024-07-01 17:46:49
329
原创 构建LangChain应用程序的示例代码：47、使用MongoDB和LangChain为RAG应用添加语义缓存和记忆功能
本文介绍了如何在RAG(检索增强生成)应用中使用MongoDB的新功能MongoDBCache和MongoDBChatMessageHistory。文章详细说明了安装必要库、设置先决条件、下载并分析数据集、创建简单的RAG链、添加聊天历史功能,以及使用语义缓存来加速响应等步骤。这些技术可以显著提高RAG应用的性能和用户体验。
2024-07-01 17:42:52
1007
翻译 LangChain-v0.2文档翻译：3.5、如何流式传输
在基于大型语言模型（LLMs）的应用中，流式传输对于提升终端用户的响应性至关重要。LangChain 中的重要原语，如聊天模型、输出解析器、提示、检索器和代理，都实现了 LangChain Runnable 接口。
2024-06-27 18:07:08
105
原创 构建LangChain应用程序的示例代码：46、使用 Meta-Prompt 构建自我改进代理的 LangChain 实现
本文详细介绍了 Meta-Prompt 方法在 LangChain 中的实现。Meta-Prompt 是一种自我反思和自我改进的方法，通过在每次交互后生成自我批评和新指令来实现。这种方法使得代理能够在没有外部记忆的情况下，通过不断修改自己的指令来提高性能和满足用户需求。通过定义两个链——一个作为助手，另一个作为元链——以及使用来存储对话历史，代理可以在每次迭代中学习和改进。
2024-06-27 17:53:54
1410
原创 构建LangChain应用程序的示例代码：45、如何利用大型语言模型（LLMs）和 Python 库 SymPy 进行符号数学计算的教程
本文件是一个关于如何利用大型语言模型（LLMs）和 Python 库 SymPy 进行符号数学计算的教程。通过使用类和OpenAIAPI，我们可以方便地求解导数、积分、线性方程和微分方程等数学问题。代码示例和注释提供了对这些问题求解过程的深入理解，并介绍了相关的数学概念和技术栈。
2024-06-27 17:48:35
371
翻译 LangChain-v0.2文档翻译：3.4、如何使用模型调用工具
本文介绍了如何在LangChain中使用工具调用功能，包括如何定义工具、将工具绑定到聊天模型以及如何调用这些工具。工具调用允许模型在响应提示时生成工具的参数，而实际执行工具则由用户决定。LangChain支持多种内置工具，并允许用户定义自己的自定义工具。此外，还介绍了如何使用方法将工具绑定到聊天模型，并展示了如何在LLM响应中包含工具调用。
2024-06-26 17:11:48
75
原创 构建LangChain应用程序的示例代码：44、文本摘要检查链，如何使用LLMSummarizationCheckerChain与不同类型的文本进行交互的一些示例
本文档是一个文本摘要检查链的示例，它演示了如何使用langchain库中的类来验证和确保文本摘要的准确性。文档中的代码展示了如何使用OpenAI类与OpenAI的API进行交互，并设置了检查的最大次数以提高结果的准确性。文档中的三个示例展示了LLMSummarizationCheckerChain类在不同场景下的应用。第一个示例演示了如何检查关于詹姆斯·韦伯太空望远镜的科学发现的描述。第二个示例展示了对地理信息描述的检查，而第三个示例则演示了如何识别并纠正逻辑错误的陈述。
2024-06-26 17:04:27
844
原创 构建LangChain应用程序的示例代码：43、如何使用大型语言模型（LLMs）和Python REPLs（Read-Eval-Print Loops）来解决复杂的数学问题
本文档是一个数学链计算的示例，它演示了如何利用大型语言模型和Python REPLs来解决数学问题。文档中的代码展示了如何使用langchain库中的类来执行数学运算，并通过OpenAI类与OpenAI的API进行交互。
2024-06-26 16:58:22
295
翻译 LangChain-v0.2文档翻译：3.3、如何从模型返回结构化数据
import re# Prompt"system",),Returns:""")```"try:Returns:Returns:json andtags总结与扩展知识本文介绍了如何从语言模型中获取结构化的输出数据，这在将数据插入数据库或与其他系统集成时非常有用。我们探讨了几种方法，包括使用方法、处理多个模式、流式传输输出、少量示例提示、直接提示和解析模型等。
2024-06-24 18:32:08
122
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人