基于 InternLM 和 LangChain 搭建你的知识库笔记【课程笔记&作业 #3】

最新推荐文章于 2024-07-25 11:12:43 发布
最新推荐文章于 2024-07-25 11:12:43 发布
阅读量388 收藏
点赞数 5
文章标签： langchain 笔记
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/weixin_44202873/article/details/136193487
版权

大模型局限性

大模型开发范式：RAG vs Finetune

LangChain简介

基于LangChain搭建RAG

RAG的通用步骤

构建向量数据库

搭建知识库助手

Web Demo 部署

作业

树先生1995
关注
  • 5
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于阿里云搭建实时数据仓库项目学习笔记
01-07
3、对采集到的数据进行清洗和处理 4、保存数据到分析型数据库 5、对结果进行可视化展示 二、阿里云技术框架  上面就是阿里云的技术框架与一些D传统的大数据解决方法技术对比。通过对比可以看出，虽然使用的工具有
基于SSM+MySQL搭建的云笔记系统（仿有道云笔记）源码+数据库+项目说明.zip
05-11
基于SSM+MySQL搭建的云笔记系统（仿有道云笔记）源码+数据库+项目说明.zip该项目是个人毕设项目源码，评审分达到97分，都经过严格调试，确保可以运行！放心下载使用。 配置数据库 （1）首先请创建数据库： CREATE ...
基于 InternLM 和 LangChain 搭建你的知识库（笔记&作业）
littleheart88的博客
02-20 217
这节课程，如何基于InternLM模型并结合LangChain框架构建一个简单的知识库，课程提出了语料库、向量数据库、检索链等知识点，并给出了具体操作指导，最后通过部署web demo进行了知识库的界面呈现。
【笔记】基于 InternLM 和 LangChain 搭建知识库基于 InternLM 和 LangChain 搭建知识库
googteo的博客
01-10 395
RAG：检索增强生成，外挂知识库finetune:在小数据集上微调。
基于 InternLM 和 LangChain 搭建你的知识库（笔记三）
2302_81490682的博客
06-26 632
为了加载数据，我们可以使用 LangChain 提供的 FileLoader 对象来加载目标文件，得到由目标文件解析出的纯文本内容。在左侧的/root/share/temp/model_repos/internlm-chat-7b目录下已存储有所需的模型文件参数，可以直接拷贝。于是完成了知识库的搭建，运行上述脚本，即可在本地构建已持久化的向量数据库，后续直接导入该数据库即可，无需重复构建。目录下，在之后的过程中可以对照仓库中的脚本来完成自己的代码，也可以直接使用仓库中的脚本。最后我们开始构建向量数据库。
笔记--基于 InternLM 和 LangChain 搭建你的知识库
donotpython的博客
01-23 527
将完成这些功能抽象为向量数据库加载， 实例化自定义 LLM 与 Prompt Template，构建检索问答链 的功能代码并封装为一个返回构建的检索问答链对象的函数，使得可以第一时间调用该函数得到检索问答链对象，后续直接使用该对象进行问答对话，从而避免重复加载模型。创建download_hf.py 使用 huggingface 镜像下载开源词向量模型。最终经过端口映射后，在本地可以使用经过检索增强问答的InternLM模型。
(3)基于 InternLM 和 LangChain 搭建你的知识库——笔记&作业
u012851494的博客
01-21 132
LangChain框架是一个开源工具，通过为各种LLM提供通用接口来简化应用程序的开发流程，帮助开发者自由构建LLM应用。LangChain的核心组成模块链(Chains)：将组件组合实现端到端应用，通过一个对象封装实现一系列LLM操作Eg.检索问答链，覆盖实现了**RAG(检索增强生成)**的全部流程。
【基于 InternLM 和 LangChain 搭建你的知识库】学习笔记
weixin_64546620的博客
01-12 516
理论 实战 作业 复现课程知识库助手搭建过程 LangChain 相关环境配置 下载 NLTK 相关资源 下载相关仓库 脚本文件 Web Demo部署 选择一个垂直领域，收集该领域的专业资料构建专业知识库，并搭建专业问答助手，并在 OpenXLab 上成功部署
【InternLM 实战营笔记】基于 InternLM 和 LangChain 搭建MindSpore知识库
JeffDing
02-29 519
同时，我们需要使用到开源词向量模型 Sentence Transformer:（我们也可以选用别的开源词向量模型来进行 Embedding，目前选用这个模型是相对轻量、支持中文且效果较好的，同学们可以自由尝试别的开源词向量模型）可以在 /root/data 下新建一个 demo目录，将该脚本和后续脚本均放在该目录下运行。运行上述脚本，即可在本地构建已持久化的向量数据库，后续直接导入该数据库即可，无需重复构建。将上述代码封装为 LLM.py，后续将直接从该文件中引入自定义的 LLM 类。
第三节课 基于 InternLM 和 LangChain 搭建你的知识库（笔记）
2301_80618119的博客
01-09 544
开源工具，通过为各种LLM提供通用接口来简化应用程序的开发流程，帮助开发者自由构建LLM应用。链：将组件组合实现端到端应用，通过一个对象封装实现一系列LLM操作。Eg.检索问答链，覆盖实现了RAG（检索增强生成）的全部流程。
InternLM全链路公开课3笔记——基于 InternLM 和 LangChain 搭建你的知识库
xidierzuo的博客
01-09 379
利用InternLM及LangChain构建向量数据库搭建知识库助手 学习笔记
基于树莓派的车库管理系统C源码+项目说明+开发笔记(课程设计).zip
12-15
基于树莓派的车库管理系统源码+项目说明+开发笔记(课程设计).zip 使用语言 C/C++ # 业务逻辑 当我在键盘按下1,表示有车要进入,随后进入车辆**入库流程**; 当我在键盘按下0,表示有车要进入,随后进入车辆**出库流程**...
基于SSM框架+mysql搭建的云笔记系统（仿有道云笔记）源码.zip
08-30
基于SSM框架+mysql搭建的云笔记系统（仿有道云笔记）源码.zip基于SSM框架+mysql搭建的云笔记系统（仿有道云笔记）源码.zip基于SSM框架+mysql搭建的云笔记系统（仿有道云笔记）源码.zip基于SSM框架+mysql搭建的云笔记...
让你过目不忘的高效笔记术 实用技巧教学课程
03-11
本课程旨在教你如何运用科学的笔记技巧，让信息变得更容易理解和记忆，从而提升工作效率，增强职场竞争力。 首先，【正确笔记法】的关键在于结构化。它包括了预习、记录、整理和回顾四个步骤。预习阶段，你应该对...
大模型从入门到应用——LangChain：记忆（Memory）-[记忆的存储与应用]
冯·诺依曼
08-15 5741
Zep 是一个存储、摘要、嵌入、索引和丰富对话式人工智能聊天历史记录的工具，并通过简单、低延迟的API进行访问。[3] LangChain中文网 - LangChain 是一个用于开发由语言模型驱动的应用程序的框架：http://www.cnlangchain.com/[2] LangChain 🦜️🔗 中文网，跟着LangChain一起学LLM/GPT开发：https://www.langchain.com.cn/[1] LangChain官方网站：https://www.langchain.com/
deepseek-vl 论文阅读笔记
samoyan的博客,记录技术成长~
07-22 1208
我们的语言模型基于DeepSeek LLM（DeepSeek-AI，2024），其微设计大体遵循LLaMA（Touvron等，2023a,b）的设计，采用带有RMSNorm（Zhang和Sennrich，2019）函数的Pre-Norm结构，并使用SwiGLU（Shazeer，2020）作为前馈网络（FFN）的激活函数，中间层维度为8/3模型维度。此外，我们引入了一种新的“模态预热”策略。为了促进创新并支持广泛的应用需求，我们公开了两个版本的模型，分别为1.3B和7B，以满足不同计算能力的需求。
vite5+vue3开发阅读APP实战笔记20240725
最新发布
Python私教
07-25 361
修改src/page/home/index.vue，使用组件和API。注意，这里无论是组件还是API，都不需要我们手动引入，我们配置了自动导入以后，vite会帮我们自动导入。创建 src/page/home/index.vue。修改 vite.config.js。修改vite.config.js。修改 src/main.js。修改src/App.vue。
学习笔记-系统框图传递函数公式推导
weixin_45875994的博客
07-24 754
输出C(s)是前向路径（通过G(s)）的输出与反馈路径（通过H(s)）的输出之差（在负反馈系统中）。因此，我们可以写出以下关系式：这里，G(s)R(s)是前向路径的输出，而G(s)H(s)C(s)是反馈路径的输出（注意，反馈路径的输出先经过H(s)，再与前向路径的输出相减）。
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
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