insight-nexus

摘要： 本篇笔记将分享教程中利用Dify，以Datawhale出版的“蘑菇书”为例，构建一个能够处理售前咨询和售后问题的智能客服应用。 概览 工作流程示意 用户在聊天界面输入问题（例如：“这本书适合我吗？”或“我的订单状态是什么？”）。 Dify工作流启动，参数提取器节点通过LLM分析问题，识别出是“售前” 阅读全文

摘要： 这里主要讲一下自己在做的过程中有哪些报错或者别的点,以及都是如何解决的 text2sql 及 echart数据分析 首先需要安装mysql 我的电脑之前已经安装过mysql,并且相关配置都做好了,所以这里不再赘述 如果你使用那个导入comments.sql的命令不成功的话,其实可以借助其他数据库可视 阅读全文

摘要： import os from dotenv import load_dotenv # 加载环境变量 load_dotenv() # 从环境变量中读取api_key api_key = os.getenv('ZHIPU_API_KEY') base_url = "https://open.bigmod 阅读全文

摘要： workflow实践（小红书读书卡片） 之前我有刷到过李继刚大佬的汉语新解提示词： ;; 作者: 李继刚 ;; 版本: 0.1 ;; 模型: Claude Sonnet ;; 用途: 将一个汉语词汇进行全新角度的解释 ;; 设定如下内容为你的 System Prompt (defun 新汉语老师 ( 阅读全文

摘要： 前面依旧是常规的套路～～～ import os from dotenv import load_dotenv from llama_index.core.schema import TextNode # 加载环境变量 load_dotenv() # 从环境变量中读取api_key api_key = 阅读全文

摘要： 配置模型 这一步已经比较套路了，参照之前的几个任务。 主要是加载API、设置我们要调用的模型、配置我们所需要的嵌入模型 我这里和教程不太一样的是，模型用的是智谱的glm-4-air import os from dotenv import load_dotenv # 加载环境变量 load_dote 阅读全文

摘要： task2相比task1，在容量和难度上略有增加，不过整体在可接受范围内 聊天助手（猜病、哄哄模拟器） 猜病我之前做过了，这里不再重复 哄哄模拟器跟着教程走即可。可能需要注意的问题如下： 模型在分数计算时的问题，提示词写不好的话，分数计算可能会有误（当然也可能和模型有关） 怎样让这个聊天机器人回答的 阅读全文

摘要： 在Llama-index中配置大模型 任务二主要是使用Llama-index，把我们需要的大模型：一个用于对话的LLM，一个用于文本向量化的Embedding模型，在Llama-index里配置好。 我在这里，是使用了Llama-index的官方定制包 这是最直接、最方便的一种方法。Llama-in 阅读全文

摘要： baseline的核心思路可以概括为： “文本向量化 + 线性模型” 。 文本的处理 baseline使用了TF-IDF 这样一个文本表示法。 TF-IDF的计算完全不需要任何标签，可以直接应用于所有文本，这使得它在处理训练集和测试集时非常方便 模型选择 在获得了文本的向量表示后，需要一个模型来完成 阅读全文