所有文章
> 当前分类:AI驱动
一文带你了解大模型——智能体（Agent）
2024/12/09
大语言模型 vs 人类 大语言模型很强大，就像人类的大脑一样拥有思考的能力。如果人类只有大脑，没有四肢，没有工具，是没办法与世界互动的。如果我们能给大模型配备上四肢和工具呢？大模型是不是就会打破次元壁，从数字世界走向现实世界，与现实世...
一文探秘LLM应用开发(26)-Prompt(架构模式之Agent框架AutoGPT、AutoGen等)
【AI驱动】
第二部分 应用挑战 2.基本流程与相关技术 4）Prompt 在前面的内容里，我们提到过要使用模型完成下游任务，有两种方式，一种是通过收集标记样本针对不同的任务进行指令微调，另一种方式便是大模型特有的，可以通过将指令以对话...
2024/12/09
如何选择AI Agent框架？五种主流AI Agent框架对比
【AI驱动】
在2023年以前，AI Agent更多是强化学习领域的概念，通过在复杂环境中获取人类反馈的奖励信息从而得以不断提升。大模型的出现为AI Agent提供了“聪明的大脑”，并重新定义了AI Agent。当前，由大模型驱动的AI Agent架构是...
2024/12/09
干货 | IBM：系统性整理Agent架构、框架
【AI驱动】
Agent的前世今生 自前年ChatGPT爆火以后，很多生成式AI应用都采用了检索增强生成（RAG）技术来生成对话。尽管RAG不断地在进步和优化，但是越来越多的团队都在积极探索下一代AI应用的新形态，聚焦于新的应用新星：Agent（智...
2024/12/09
基于 RAG 的 LLM 应用程序构建(一):详述数据源准备工作
【AI驱动】
TLDR 本指南将通过“Ray 技术小助手”的构建过程，为大家展示如何构建一个基于 RAG 的 LLM 应用程序，并分享我们在此过程中遇到的挑战以及我们如何克服这些挑战。通过阅读本文，你将学习到如何： 💻 从头开始开发基于检索...
2024/12/09
这个Python库让API测试超简单:Requests真好用
【AI驱动】
大家好啊，我是小码哥！今天要跟大家分享一个在Python中特别好用的第三方库 - **Requests**。在这个万物互联的时代，我们经常需要和各种网络API打交道。无论是调用别人的接口，还是测试自己开发的API，都离不开HTTP请求。Re...
2024/12/09
LLM之RAG实战（二十）|Chunk RAG分块策略的五个level
【AI驱动】
在RAG系统中，包括检索和生成两大组件，而检索的关键是对数据的分块策略，本文将根据Greg Kamradt的视频（ 级别1：Fixed Size Chunking 这是最粗...
2024/12/09
LLM之RAG实战（十九）| 利用LangChain、OpenAI、ChromaDB和Streamlit构建RAG
【AI驱动】
生成式人工智能以其创造与上下文相关内容的能力彻底改变了技术，开创了人工智能可能性的新时代。其核心是检索增强生成（RAG），将信息检索与LLM相结合，从外部文档中产生智能、知情的响应。 本文将深入...
2024/12/09
LLM之RAG实战（十八）| 使用Query转换来改进RAG效果
【AI驱动】
在本文中，我们将分析查询转换，以及如何使用路由器根据输入提示选择适当的转换。 查询转换背后的想法是，检索器有可能从数据库中检索到与用户初始提示不相关的块。在这些情况下，...
2024/12/09
LLM之RAG实战（十七）| 高级RAG：通过使用LlamaIndex重新排序来提高搜索效率
【AI驱动】
基本RAG的检索是静态的，会检索到固定数字（k）个相关文档，而如果查询需要更多的上下文（例如摘要）或更少的上下文，该怎么办？ 可以通过在以下两个阶段来实现动态检索： 预检索：检索器初步选择...
2024/12/09
LLM之RAG实战（十六）| 使用Llama-2、PgVector和LlamaIndex构建LLM Rag Pipeline
【AI驱动】
近年来，大型语言模型（LLM）取得了显著的进步，然而大模型缺点之一是幻觉问题，即“一本正经的胡说八道”。其中RAG（Retrieval Augmented Generation，检索增强生成）是解决幻觉比较有效的方法。本文，我们将深入研究...
2024/12/09
LLM之RAG实战（十五）| RAG的自动源引文验证技术
【AI驱动】
在过去的一年里，检索增强生成（RAG）已经成为一种基于LLM的流行架构，旨在解决在基于知识的LLM最常见的挑战之一，可怕的幻觉。 一、RAG如何解决幻觉？ RAG Pipeline包括两个关键组件：（1）检索器：选...
2024/12/09
LLM之RAG实战（十四）| 利用LongContextRetriver克服RAG中的中间丢失现象
【AI驱动】
人类和大型语言模型（LLM）都有一个共同的行为模式：他们往往擅长处理位于给定内容开头或结尾的信息，而中间的信息往往会被忽视。 来自斯坦福大学、加州大学伯克利分校和Samaya AI...
2024/12/09
LLM之RAG实战（十三）| 利用MongoDB矢量搜索实现RAG高级检索
【AI驱动】
一、基本RAG 想象一下，有一本和地平线一样宽百科全书。基本的RAG试图将这些丰富的知识提炼成一个单一的“嵌入”——本质上是一个数字。但是，当你在一个特定的主题上寻求智慧时，比如神秘的百慕大三角，基本的RAG的粗笔画会覆...
2024/12/09
LLM之RAG实战（十二）| 在RAG管道中实现上下文压缩和过滤
【AI驱动】
在RAG中可能面临的最大问题之一是检索器应该检索什么内容？ 实际使用中，检索到的上下文并不完全有用，可能检索处理较大的块中只有非常小的一部分与答案相关，还可能对于一个特定的问题需要...
2024/12/09
LLM之RAG实战（十一）| 使用Mistral-7B和Langchain搭建基于PDF文件的聊天机器人
【AI驱动】
在本文中，使用LangChain、HuggingFaceEmbeddings和HuggingFace的Mistral-7B LLM创建一个简单的Python程序，可以从任何pdf文件中回答问题。 一、LangChain简介 &n...
2024/12/09
搜索文章
热门话题
