- 博客(104)
- 收藏
- 关注
RSS订阅原创 使用 DingoDB 进行自查询检索器演示
通过上述流程，您已经在 DingoDB 中实现了自查询检索器的构建与使用。这种方式不仅能满足复杂查询需求，还具有良好的扩展性。如果遇到问题欢迎在评论区交流。
2025-07-11 11:56:48
425
原创 使用LangChain加载和处理WhatsApp聊天记录的实践指南
在实际应用中，建议您首先导出较大样本的聊天记录，以确保模型的鲁棒性。您还可以通过调整聊天加载器的参数以适应更多复杂的对话结构。如果在使用过程中遇到问题，欢迎在评论区交流。来加载导出的聊天文件。方法加载消息并转换。
2025-07-10 15:28:38
228
原创 使用Elasticsearch进行聊天消息历史管理
Elasticsearch因其强大的分布式架构和近实时分析特性，广泛用于日志分析、全文搜索和复杂的数据处理。它通过分片和副本机制，确保数据的高可用性和持久性。用户可以选择在本地安装或使用Elastic Cloud进行托管服务。
2025-07-10 15:06:37
430
原创 用Couchbase存储聊天历史的实战指南
Couchbase是一款屡获殊荣的分布式NoSQL数据库，它为云、移动、AI以及边缘计算应用提供了卓越的性能和扩展能力。随着AI技术的兴起，Couchbase集成了开发者代码协作和向量搜索功能，为应用程序带来了更多可能性。
2025-07-10 15:05:56
293
原创 使用Diffbot和Neo4j构建知识图谱
Diffbot是一套基于机器学习的产品，专门用于将网页数据结构化。其NLP API能够从非结构化文本数据中提取实体、关系和语义信息。这些信息对于分析、推荐引擎或知识管理应用来说至关重要。通过结合Diffbot的NLP API和Neo4j图数据库，可以创建强大的图结构，并进行灵活查询。
2025-07-10 10:37:36
435
原创 使用InMemoryByteStore进行内存键值存储的指南
非常适用于临时数据处理，如单元测试、数据缓存、和需要快速读写的场景。由于它是非持久化的，每次Python进程结束后数据都会丢失，因此不适合需要永久保存数据的场景。如果遇到问题欢迎在评论区交流。
2025-07-10 10:35:42
166
原创 使用Databricks Unity Catalog (UC)函数作为LangChain工具的实战指南
接下来，我们安装必要的Python包并设置LangChain环境。然后，我们初始化LangChain的Databricks模型以及UC函数工具包。定义对话模板，并创建代理执行器以调用工具。
2025-07-09 15:17:07
306
原创 使用TavilySearchAPIRetriever进行高效AI查询集成
TavilySearchAPIRetriever是为了满足实时信息获取需求而构建的，它通过互联网搜索提供实时的、准确的、实用的信息。这对于需要实时数据来提升决策能力的各种AI应用程序来说非常有用。
2025-07-09 15:06:27
445
原创 使用RePhraseQuery优化用户查询的实现指南
RePhraseQuery的核心是通过大型语言模型对用户查询进行预处理，从而生成更加精准的查询语句。这个过程提高了信息检索的效率，能够处理和过滤掉不相关的信息，适用于各种用户输入场景。# 自定义查询提示模板# 创建自定义LLM链# 自定义调用示例")
2025-07-09 15:03:53
713
原创 使用PubMedRetriever在LangChain中检索医学文献数据
在现代人工智能应用中，检索器(retriever)是一个至关重要的组件，它能够帮助我们从大量文献、数据库或其他数据源中提取有价值的信息。本文将介绍如何使用PubMedRetriever从PubMed数据库中检索医学文献数据，并展示其在实际应用中的代码实现。PubMed是由美国国家生物技术信息中心(NCBI)和国家医学图书馆(NLM)维护的一个大型生物医学文献数据库。它包含了超过3500万条来自MEDLINE、生命科学期刊和在线书籍的引用。PubMed提供了一种强大的方式来访问科学研究成果。在LangChai
2025-07-09 15:02:25
856
原创 使用Xata作为向量存储的指南
通过上述代码，您可以轻松设置Xata为向量存储并执行相似性搜索。在Xata UI中，您可以看到文档与其嵌入一起被加载。
2025-07-02 16:29:57
184
原创 Redis Vector Database 介绍与 LangChain 集成指南
开发人员选择 Redis 的原因包括其快速的性能、庞大的客户端库生态系统，以及其被主要企业部署多年的可靠性。在实践中，使用 Redis 的向量数据库功能时，可以充分利用其高性能的搜索功能以及灵活的索引方案。例如，电商推荐系统、个性化内容推送、语义搜索等，都可以利用 Redis 的高效索引能力与 LangChain 的抽象能力实现复杂的检索需求。除了这些传统的使用场景之外，Redis 还提供了额外的功能，例如搜索和查询能力，使用户能够在 Redis 中创建二级索引结构。Redis 是什么？
2025-07-02 16:16:06
450
原创 使用NucliaDB进行文本向量化和检索
NucliaDB是一款基于向量的数据库服务，它可以有效地将文本数据转化为向量并存储。用户可以选择运行本地NucliaDB实例或者使用Nuclia Cloud进行远程操作。为了确保文本能够正确地向量化和索引，使用本地实例时需要Nuclia Understanding API key。
2025-07-02 16:09:42
285
原创 利用Infinispan进行向量搜索的实践
Infinispan的向量搜索功能通过与向量数据库的集成，提供了一种在大规模数据集中进行相似性搜索的方式。随着自然语言处理和机器学习模型的普及，这种搜索方法在推荐系统、分类、检索等领域有着广泛的应用潜力。
2025-07-02 14:23:43
339
原创 使用LangChain与Databricks Vector Search实现向量搜索
在实际使用Databricks Vector Search时，建议根据数据规模和查询频率来选择合适的索引类型（例如标准或Delta Sync）。确保数据在Delta表中始终是最新的，从而实现最佳搜索性能。Databricks Vector Search非常适合于需要处理大量文本数据的场景，例如新闻相似性查找、产品推荐、自然语言处理应用等。通过与LangChain的结合，可以进一步扩展其应用范围。如果遇到问题欢迎在评论区交流。
2025-07-02 09:57:31
279
原创 如何使用Python加载并解析网页内容：三种URL Loader的实战演示
Python在网页数据采集和处理方面拥有丰富的工具集。对不同的网页，选择合适的技术栈可以有效提高开发效率和处理效果。我们将探讨如何利用库提供的不同加载器来解析静态和动态网页。
2025-07-02 09:36:59
397
原创 使用Jina Embeddings进行文本和图像嵌入
JinaAI提供了一系列强大的嵌入模型，其中包括针对文本的Jina Embeddings和支持多模态（如图像）的Jina CLIP模型。这些模型通过将文本和图像转换为高维向量，为相似度计算和检索任务提供支持。
2025-07-01 16:08:34
432
原创 使用Llama.cpp在LangChain内的应用指南
Llama.cpp是一种轻量化的C++库，专门用于高效运行Llama等大型语言模型。它支持多种硬件平台，方便开发者在不同环境下进行推理操作。LangChain是一个开源框架，提供了一系列工具用于构建复杂的语言模型应用。结合Llama.cpp和LangChain，可以实现更高效的语言模型处理。
2025-07-01 11:03:40
435
原创 使用Diffbot进行网页数据结构化
传统上，网页数据提取通常依赖于复杂的规则和设定来解析HTML内容，而Diffbot通过其先进的计算机视觉模型和自然语言处理能力，大大简化了这一过程。Diffbot Extract API无需预设规则，自动识别网页类型，并将原始HTML转换为结构化JSON。与此同时，它的NLP API能够从非结构化文本中提取实体关系和语义信息。
2025-06-30 17:14:01
326
原创 在AI应用中集成Apache Cassandra数据库
Cassandra 的设计初衷是处理大量数据并提供快速访问，同时保持高可用性和高容错性。其最新版本支持向量搜索，这意味着它可以在 AI 应用中充当数据存储和检索的核心组件。这种能力使其在处理语义搜索或相似度匹配的场景中表现出色，是众多 AI 应用的理想选择。
2025-06-30 17:02:48
362
原创 使用Langchain加载AZLyrics歌词的实战指南
Langchain是一个强大的库，支持从多种来源加载文档数据，以便于后续的文本处理任务。是Langchain中的一个组件，专门用于加载AZLyrics上的歌词数据。
2025-06-30 15:17:06
371
原创 使用Cohere的Reranker提升文档检索的精度
在自然语言处理领域，Cohere是一家提供先进语言模型的加拿大初创公司，其技术有助于改善人机交互。本篇文章将演示如何利用Cohere的rerank端点在文档检索系统中优化结果排序。这次的示例将基于ContextualCompressionRetriever的想法进行扩展。
2025-06-30 15:07:08
673
原创 构建私有视觉搜索应用：多模态大模型的应用实例
多模态大模型结合了文本和图像处理能力，使得我们可以开发更智能的应用程序。通过对图像进行摘要和嵌入，我们可以有效地索引和查询图像数据集，并基于自然语言输入进行搜索和问答。
2025-06-30 10:12:38
649
原创 集成RAG框架的JaguarDB与OpenAI应用指南
JaguarDB是一种高性能的数据库解决方案，可以为AI应用提供快速的数据查询能力。同时，结合OpenAI的高级语言模型服务，我们可以通过RAG协议提升信息检索的效率和准确性。这种组合不仅能加速数据存取，还能强化自然语言生成任务。
2025-06-27 15:51:53
271
原创 使用 Astra DB 实现 RAG（检索增强生成）应用
RAG（Retrieval-Augmented Generation）是一种结合检索与生成的技术，常用于提高生成模型的信息准确性。它通过在生成之前先检索相关信息，确保生成内容与真实世界数据更为一致。Astra DB 是一款云数据库服务，它的偏向向量存储（vector store）适合高效的检索操作，非常适合 RAG 应用场景。
2025-06-27 15:43:01
957
原创 使用Pirate Speak Configurable将输入转化为海盗语言
Pirate Speak Configurable是一个LangChain应用模板，旨在将用户输入转化为有趣的海盗语言。该模板支持配置选择不同的LLM提供商，比如OpenAI、Anthropic、或Cohere。通过此功能，开发者可以根据实际需求和服务稳定性来选择适合自己的提供商。
2025-06-27 15:40:29
284
原创 使用Neo4j构建基于LLM的知识图谱生成
Neo4j是一种图数据库，专为处理和存储复杂关系数据而设计。AuraDB则是Neo4j的云端托管版本，提供了易于管理和高可用性的图数据库服务。通过这项服务，开发者无需关注数据库的运维细节，可以专注于开发应用。LLM（Large Language Model）则是近年来发展迅速的自然语言处理技术，通过使用大量的文本数据训练而成，能够理解和生成语言，广泛应用于文本分析、语言翻译和知识提取等任务。结合这两者，我们可以创建一个强大的系统来从文本中自动提取信息并构建知识图谱。
2025-06-27 15:35:03
561
原创 使用Weaviate进行混合搜索的实战指南
混合搜索是现代信息检索中的一种先进技术，它通过整合稀疏向量（例如BM25算法）和密集向量（基于深度学习的语义理解）来实现更优的搜索结果。Weaviate利用这种技术，通过结合BM25和向量搜索排名来返回最相关的结果。
2025-06-27 15:30:12
426
原创 搭建一个虚拟研究助手：Anthropic Iterative Search
Anthropic Iterative Search 是受某个笔记本启发而开发的一个工具，它可以通过迭代搜索的方式在 Wikipedia 中查找答案。该工具主要集成在 LangChain 中，为开发者提供了一种便捷的方式来实现强大的搜索功能。
2025-06-27 13:13:33
505
原创 使用 Milvus 进行大规模向量存储与索引
Milvus 是专门设计用于矢量数据的开源数据库，通过支持向量的高效存储和检索，它可以无缝地处理数十亿级别的向量集合。这使得 Milvus 特别适用于需要进行高效语义搜索、相似性比较等任务的 AI 应用。
2025-06-27 13:01:38
481
原创 提升 Graph-RAG 的查询生成能力：有效的提示策略
这些技术在处理复杂查询时特别有用，比如在包含多个节点和关系的图数据库中。通过优化提示和示例选择，可以显著提高查询的准确性和处理效率，尤其是在动态和变化的数据库环境中。在某些情况下，我们可能需要专注于特定的图架构子集。如果遇到问题欢迎在评论区交流。
2025-06-27 09:24:42
305
原创 利用LangChain添加聊天历史功能到Q&A应用
这种聊天历史功能适用于需要上下文连续性的应用场景，比如客户支持、教辅问答等。它确保每次对话可参考之前的信息，从而维持一致性。在实际应用中，建议根据具体需求调整检索策略和模型选择，以保证聊天历史的持久化和稳定性。实现一个保持聊天历史的对象及其更新逻辑，以便每次调用后都能维护会话记录。通过智能代理，可以更灵活地调整检索步骤，提供必要时的额外上下文。通过调用不同的输入，可以观察智能代理如何根据上下文调整检索步骤。通过设置消息占位符，将历史对话传递给模型以调整查询上下文。如果遇到问题欢迎在评论区交流。
2025-06-26 15:41:54
275
原创 如何重新排序检索结果以缓解“中间丢失”效应
在RAG（Retrieval-Augmented Generation）应用中，随着检索文档数量的增加（例如，超过十个），性能显著下降已被记录。简而言之，模型在长上下文中可能会错过中间的相关信息。相反，对向量库的查询通常会返回按相关性递减顺序排列的文档（例如，通过嵌入的余弦相似度测量）。为了缓解“中间丢失”效应，您可以在检索后重新排列文档，这样最相关的文档位于极端位置（例如，第一个和最后一个上下文），而最不相关的文档位于中间。
2025-06-26 15:33:31
291
原创 使用LangChain查看和调试Runnables链
LangChain是一种用于处理复杂AI任务的框架，它使用一个链式结构将多个可运行的组件组合在一起。这种链式结构允许开发者创建复杂的查询、处理和分析流程。为了更好地理解这些链的行为，我们需要能够直接查看链的内部组件及其执行步骤。
2025-06-26 15:30:26
252
原创 如何向链的状态中添加值
LangChain是一种功能强大的框架，用于构建和管理链式调用的运行时。它提供了丰富的工具集与API，使开发者能够创建复杂的数据处理流程。在应用LangChain时，我们可能需要在不同步骤间传递或者更新状态数据，这就涉及到如何有效地修改链的状态。
2025-06-26 11:43:36
256
原创 使用LangChain工具和工具包进行Wikipedia查询
LangChain是一个旨在简化应用程序创建的框架，它包含大量第三方工具。这些工具通过集成可以实现快速的信息获取和处理，允许开发者构建复杂的AI应用程序。特别是Wikipedia工具可以帮助我们快速查询和获取相关信息，非常适合需要大量事实验证或信息获取的场景。
2025-06-26 11:39:33
295
原创 提升 Graph-RAG 的查询生成能力：有效的提示策略
这些技术在处理复杂查询时特别有用，比如在包含多个节点和关系的图数据库中。通过优化提示和示例选择，可以显著提高查询的准确性和处理效率，尤其是在动态和变化的数据库环境中。在某些情况下，我们可能需要专注于特定的图架构子集。如果遇到问题欢迎在评论区交流。
2025-06-26 11:31:37
237
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人