摘要： 人工智能代理(agent)不仅会改变每个人与计算机交互的方式，还会颠覆整个软件行业。不需要任何不同的单独软件，使用日常语言命令设备，代理是人工智能的高级形式，本质上Agents是一个LLM的编排与执行系统。 在langchain中Agents的实现主要分为以下八个步骤，1. 提出需求/问题，2. 问 阅读全文

摘要： 新版的langchain弃用了很多链的方法，但是保留了LLMChain链，使用者可以结合自身需求自用开发应用特定的链。本篇基于LLMChain,使用文档加载器，文档分割器，嵌入生成和向量存储，等方法构建问答链。 通过对LLMChain+PromptTemplate+RetrievalQA等进行链路组 阅读全文

摘要： 新版langchain中已经弃用了LLMChain等内置链的组装和框架，取而代之的是使用 runables包中内置的类和方法 来构建更灵活的链，其中最主要的方法是RunablesSequence,RunnableLambda和RunnableMap。 一：RunnablesSenquence Run 阅读全文

摘要： 1. 文本知识库的加载和分割 实现一个智能文档助手，基于已有知识库给向ai发起提问使ai能够基于知识库回答更加准确的答案，首先需要加载对应的文档，文档类型可以是docx,xlsx，md等格式。并且对文档进行分割，将其分割成一块一块的Document类型并转成list类型方便后续处理。 def get 阅读全文

摘要： 文本向量化实现方式 在复杂的大模型中文本向量化有很多好处，比如提高检索速度，在大规模数据集上向量通过相似表示可以快速找到相似文本，在处理长文本和跨语言对齐等任务上也可以减少很多开销。在langchain中可以从包langchain.embeddings.openai中可以引入方法OpenAIEmbe 阅读全文

摘要： Lost in the middle:上下文长连接精度问题 使用langchain工具，实现上下文长连接精度匹配问题使用huggingface托管LLM做嵌入式处理，这里选择的模型是all-MiniLM-L6-v2。根据文本对问题的相关性返回文本块，对检索结果进行排序，问题相关性越低的内容放在中间， 阅读全文

摘要： 文档转换器 将文档分成小的，有意义的语句块。将小的块组合成一个更大的块，直到达到一定大小。一旦达到一定大小，接着开始创建与下一个块重叠的部分。 1. 分割文档 文档分割可以使用langchain组件中的RecursiveCharacterTextSplitter方法，这是一种文本分割器。可以根据指定 阅读全文

摘要： loader加载器的主要作用是加载各种格式的知识库给大模型进行学习，从而提升大模型在专业领域的能力，也是创建大模型agent开发的第一步。 TextLoader 在langchain中TaxtLoader加载器可以加载.md，.test等格式的文档，需要注意的是中文文档需要指明解析字符集格式。 #使 阅读全文

摘要： Retrieval -Augmented Generation(RAG):检索增强 传统知识库只能根据已有知识库进行检索。但是这样的缺点就是，已有知识库有限，大多数时候 可能无法检索出有效信息。RAG通过检索和生成来克服这个问题，具体来说RAG会根据输入的 question先从知识库中检索到信息，然 阅读全文

摘要： 有时候单一的提示词模版无法满足复杂的任务需求，因此需要结合选择器使大模型有更加准确的判断，尤其是在高度上下文依赖性的对话或生成任务时，动态的选择最合适的示例或者提示词时尤其重要。本文同样使用langchain组件开发多用选择器方法。 长度智能选择器 在langchain组件中LengthBasedE 阅读全文