logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

基于大语言模型LangChain框架:知识库问答系统实践

ChatGPT 所取得的巨大成功,使得越来越多的开发者希望利用 OpenAI 提供的 API 或私有化模型开发基于大语言模型的应用程序。然而,即使大语言模型的调用相对简单,仍需要完成大量的定制开发工作,包括 API 集成、交互逻辑、数据存储等。为了解决这个问题,从 2022 年开始,多家机构和个人陆续推出了大量开源项目,帮助开发者快速创建基于大语言模型的端到端应用程序或流程,其中较为著名的是 La

文章图片
#语言模型#人工智能#自然语言处理
基于知识图谱的RAG——如何用固定的实体架构在Knowledge Graph上进行RAG检索

下表1展示了微软的GraphRAG和固定实体架构两种方法的比较概述。表1 两种方法的比较概述总的来说,固定实体架构适用于定义明确、范围狭窄的领域,特别需要高精度和控制。它具有较低的复杂性、降低的计算成本,并且最小化了对LLM的依赖。然而,它在灵活性方面有所欠缺,在大型数据集上的可扩展性较差,并且需要预先的领域知识。微软的GraphRAG在处理大规模、多样化的数据集和复杂查询方面表现出色,提供了跨多

文章图片
#知识图谱#人工智能#RAG +1
Neo4j GraphRAG:1个Python包,轻松搞定RAG + 知识图谱!

neo4j-graphrag 包简化了图检索增强生成(GraphRAG)。在 Neo4j,我们相信将图数据库与向量搜索结合起来代表了 RAG 的下一步发展方向。我们展示了如何使用 neo4j-graphrag 包中的类执行简单的检索查询。未来的文章将探讨其他检索策略以及如何在 GraphRAG 流程中使用不同的 LLM。敬请期待!欢迎您将包集成到您的项目中,并在公众号文章下方分享您的见解。该包代码

文章图片
#neo4j#python#知识图谱 +3
大语言模型应用如何实现端到端优化?

编者按:基于大语言模型(LLMs)开发的应用目前主要使用公共 LLMs 服务提供的 API 进行,但是这些 LLMs 服务的 API 设计以请求为中心,缺乏应用级信息,难以有效优化整个应用流程,影响任务的端到端性能。为此,微软亚洲研究院的研究员们开发了一个专注于 LLMs 应用端到端体验的服务系统 Parrot,它具有减少网络延迟、提高吞吐量、减少冗余计算等优势。Parrot 可以通过引入语义变量

文章图片
#语言模型#人工智能#自然语言处理 +1
10个python入门小游戏,零基础打通关,就能掌握编程基础

不会python就不能用python开发入门级的小游戏?当然不是,,并且即使你没有python基础,只要跟着这十个小游戏的开发详细教程去做,以及有了全部的源码,那就能自己开发出这样十个python入门小游戏。不仅如此,在玩好这十个小游戏的过程中,还可以掌握python的基础知识点哦!

文章图片
#python#开发语言#数据分析
AI应用 | 【AI+工业】LLM(大型语言模型)在工业领域中的十个应用

随着时间的推移,LLM(大型语言模型)的特性和能力逐渐为人们所熟知。它们展现了无与伦比的人类语言理解、出色的文本生成能力以及友好的对话指令跟随倾向。而像GPT-4和Claude等更为强大的LLM则展现出了对现实世界因果关系的深刻理解。据报道,GPT-4甚至采用了八个与GPT-3.5规模相当的LLM,通过混合专家(MoE)的方式进行配置。

文章图片
#人工智能#自然语言处理#机器学习
大语言模型(LLMs)全面学习指南,初学者入门,一看就懂!

大语言模型(LLMs)作为人工智能(AI)领域的一项突破性发展,已经改变了自然语言处理(NLP)和机器学习(ML)应用的面貌。这些模型,包括OpenAI的GPT-4o和Google的gemini系列等,已经展现出了在理解和生成类人文本方面的令人印象深刻的能力,使它们成为各行各业的宝贵工具。如下这份指南将涵盖LLMs的基础知识、训练过程、用例和未来趋势……大语言模型(LLMs)是一种深度学习模型,专

#人工智能#自然语言处理
LangChain与大型语言模型(LLMs)应用基础教程:Prompt模板_langchain prompt template

今天我们学习了LangChain和大型语言模型(LLM)如opeanai的 "text-davinci-003"模型以及谷歌的“flan-t5-xl”模型进行集成的方法,我们还学习了如何使用LangChain中prompt模板,和小样本模板。通过使用prompt模板可以让用户大大提高和LLM交互的效率。

文章图片
#自然语言处理#人工智能
Dify大语言模型私有化部署秘籍:Linux+yum源+Git+Docker,环境备好

企业对于智能化的需求日益增长,Dify大语言模型以其卓越的性能和广泛的应用场景,成为了许多企业的首选。然而,如何将这一强大的平台私有化部署,以满足企业对数据安全和个性化需求的双重追求。本文将手把手带构建Dify大语言模型的私有化部署环境。私有化部署的第一步是搭建一个稳定可靠的操作系统环境。Linux以其开源、稳定和安全性高的特点,成为部署的首选。选择一个合适的Linux发行版,如CentOS或Ub

文章图片
#linux#git#人工智能 +2
零代码搭建本地知识库:基于DeepSeek+RAG+Ollama+Cherry Studio全流程指南

核心价值企业敏感数据100%离线处理个人知识库智能问答本地模型快速响应支持PDF/Word/网页等多格式文档工具链Ollama:开源模型托管平台(支持150+模型):深度求索开源的16K长文本大模型:中文语义向量模型:AI应用可视化客户端本方案在Intel i7-12700H + RTX 4070设备上实测,可流畅处理200页以内的技术文档问答。通过本地化部署既保障了数据安全,又充分发挥了Deep

文章图片
#人工智能#AI#RAG
    共 558 条
  • 1
  • 2
  • 3
  • 56
  • 请选择