所有文章
> 当前分类:AI驱动
LLM之Agent（九）| 通过API集成赋能Autogen Multi-Agent系统
2024/12/06
随着大型语言模型（LLM）的迅猛进步，开发由LLM驱动的自主智能体（autonomous agents）已经成为研究和实践的热点领域。在过去的一年里，涌现出许多基于这一概念的创新技术和平台。 但作为一个仍处于早期阶段的框架，通过AP...
LLM之Agent（八）| 使用CrewAi、Solor/Hermes、Langchain和Ollama构建超级Agent
【AI驱动】
随着大模型技术的发展，AI Agent正在成为大模型游戏规则的改变者，它可以帮助用户分解任务、规划任务和执行任务，这就是CrewAI的独特之处。CrewAI是AutoGEN的顶级替代品，为您提供轻松组建人工智能Agent团队执行自动化任...
2024/12/06
API描述语言如何赋能AI
【AI驱动】
人工智能驱动的 API 已经取得了长足的进步，尤其是当人工智能知道会发生什么时候。这就是API 描述语言对于 AI 的未来如此重要的原因之一，这要归功于代码脚手架等趋势。要了解有关这一新兴领域的更多信息，让我们深入研究 API 描述语言的进步如何推动人工智能的未来。
2024/12/04
LLM之Agent（七）| AutoGen介绍
【AI驱动】
一、Autogen介绍 Autogen是Microsoft开发的一个用于简化LLM工作流的编排、优化和自动化的框架。它提供了可定制和可交谈的代理，充分利用了大模型（比如GPT-4）的能力，并且可以集成人类智慧和工具，在多...
2024/12/04
LLM之Agent（六）| 使用AutoGen、LangChian、RAG以及函数调用构建超级对话系统
【AI驱动】
本文我们将尝试AutoGen集成函数调用功能。函数调用最早出现在[Open AI ]( 函数调用和[Agent]( 本文将介绍如何使用__Langchian__、__[Autogen]( Augmented Generation（R...
2024/12/04
LLM微调（一）| 单GPU使用QLoRA微调Llama 2.0实战
【AI驱动】
最近LLaMA 2在LLaMA1 的基础上做了很多优化，比如上下文从2048扩展到4096，使用了Grouped-Query Attention（GQA）共享多头注意力的key 和value矩阵，具体可以参考： 使用QLoRA...
2024/12/04
LLM实战（二）| 使用ChatGPT API提取文本topic
【AI驱动】
在大模型前时代，构建机器学习模型通常需要标注数据，然后使用这些标注数据来训练机器学习模型，这个过程一般需要几个月的时间，然而，在大模型时代下，几个小时就可以完成，比如情感分类，对话系统。具体对比流程如下： Prom...
2024/12/04
LLM实战（一）| 使用LLM抽取关键词
【AI驱动】
抽取关键词是NLP的常见任务之一，常用的方法有TFIDF、PageRank、TextRank方法等等。在Bert时代，可以使用KeyBERT（ 下面使用Mistral 7B大模型来抽取关键词，由于transformer库不支持Mis...
2024/12/04
LLM之LangChain（七）| 使用LangChain，LangSmith实现Prompt工程ToT
【AI驱动】
如下图所示，LLM仍然是自治代理的backbone，可以通过给LLM增加以下模块来增强LLM功能: Prompter Agent Checker Module Memory module ToT controlle...
2024/12/04
LLM之LangChain（六）| 使用LangGraph创建一个超级AI Agent
【AI驱动】
在这篇文章中，我们将全面介绍[langGraph]( ## __一、什么是代理和代理运行时？__ 在[LangChain]( [LangChain]( ## __二、关键功能__ LangGraph的一个关键特性是向代理运行...
2024/12/04
LLM之LangChain（五）| 使用LangChain Agent分析非结构化数据
【AI驱动】
第一部分：从非结构化数据抽取结构化信息 方法一：create_extract_chain 定义数据抽取的结构，并且使用LangChain创建一个提取链。 from langchain.chains import...
2024/12/04
LLM之LangChain（四）| 介绍LangChain 0.1在可观察性、可组合性、流媒体、工具、RAG和代理方面的改进
【AI驱动】
LangChain是大模型应用中非常火的一个框架，最近发布了LangChain 0.1版本，在以下方面带来显著改进： Observability Composability Streaming Tool Usage...
2024/12/04
LLM之LangChain（三）| LangChain和LlamaIndex与4个任务的比较
【AI驱动】
大模型已经发展一年了，然而大模型的幻觉问题一直令人诟病，其中检索增强生成（RAG）是缓解幻觉比较有效的方式。目前有两个基于LLM的应用框架可以很容易实现RAG Pipeline，分别是LangChain和LlamaIndex，本文将在四个任...
2024/12/04
LLM之LangChain（二）| LangChain中的Agent
【AI驱动】
在本文中，我们将讨论LangChain中的Agent及其各种类型。但在深入研究Agent之前，让我们先了解一下什么是LangChain和Agent。 一、什么是LangChain？ LangChain是一种功能强大...
2024/12/04
LLM之LangChain（一）| LangChain六大核心模块简要汇总
【AI驱动】
2023年是LLM（大语言模型）的元年，在这一年底座大模型，微调大模型，部署大模型并驾齐驱，发展的如火如荼。然而，目前的大模型并非完美，上下文窗口有限，幻觉问题等等问题，而各大厂商的大模型的API接口、数据格式和工具难以统一，而像LangC...
2024/12/04
LLM之Agent（五）| AgentTuning：清华大学与智谱AI提出AgentTuning提高大语言模型Agent能力
【AI驱动】
论文地址： Github地址： 在ChatGPT带来了大模型的蓬勃发展，开源LLM层出不穷，虽然这些开源的LLM在各自任务中表现出色，但是在真实环境下作为AI Agent仍与商业模型的效果存在较大差距，比如ChatG...
2024/12/04
热门话题
文章精选
