<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[VYSAHF的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/VYSAHF</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; VYSAHF]]></copyright><item><title><![CDATA[使用Weaviate实现自查询检索器的电影数据查询]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146487235</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146487235</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 21:44:40 +0800</pubDate><description><![CDATA[Weaviate不仅能存储和检索向量，而且能够扩展到数十亿个数据对象，非常适合大规模数据处理。在本次示例中，我们将使用Weaviate来存储电影摘要数据，并通过自查询检索器来实现基于自然语言查询的高效数据检索。]]></description><category></category></item><item><title><![CDATA[Qdrant：高效的向量相似性检索引擎应用指南]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146486436</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146486436</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 21:09:29 +0800</pubDate><description><![CDATA[Qdrant 是一个生产就绪的向量相似性搜索服务，适合需要复杂过滤支持的数据操作场景。它可以存储和处理大量向量，并且支持多种扩展过滤功能，适合AI驱动的搜索和推荐系统。]]></description><category></category></item><item><title><![CDATA[使用 Milvus 和 Self-Query Retriever 构建向量数据库案例]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146485730</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146485730</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 20:40:07 +0800</pubDate><description><![CDATA[Milvus 是一个开源的向量数据库，帮助用户存储、索引和管理多维向量数据，特别适用于从深度神经网络等 ML 模型生成的嵌入向量。通过利用 Milvus 的高性能查询能力，我们能够快速高效地从大规模数据集中检索相关信息。]]></description><category></category></item><item><title><![CDATA[如何在Facebook Messenger上进行数据下载和模型微调]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146483365</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146483365</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 18:52:28 +0800</pubDate><description><![CDATA[在本文中，我将为大家介绍如何下载Facebook Messenger上的聊天数据，并将其用于训练语言模型。这个过程包括从下载数据到微调模型的完整步骤，以及如何在应用程序中使用微调后的模型。]]></description><category></category></item><item><title><![CDATA[使用 Apache Cassandra 存储聊天消息历史]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146477557</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146477557</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 15:29:07 +0800</pubDate><description><![CDATA[Apache Cassandra 是一个分布式数据库管理系统，旨在处理大型数据集，支持高可用性和无单点故障。其架构允许快速和高效的读写，这对聊天应用等需要快速响应的系统尤为重要。]]></description><category></category></item><item><title><![CDATA[使用Zapier的自然语言动作API进行自动化工作流的实战指南]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146473905</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146473905</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 13:20:48 +0800</pubDate><description><![CDATA[Zapier NLA API允许开发者通过自然语言接口访问Zapier平台上的数千个应用和操作。这其中包括Gmail、Salesforce、Trello、Slack等，处理所有底层API授权以及从自然语言到底层API调用的转换。]]></description><category></category></item><item><title><![CDATA[使用Steam API与LangChain集成进行游戏信息和推荐检索]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146473317</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146473317</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 12:42:09 +0800</pubDate><description><![CDATA[Steam平台由Valve Corporation开发，是当今最大的电子游戏数字发行服务之一。通过Steam API，我们能访问海量的游戏数据，而LangChain是一个强大的工具链，可以帮助我们处理自然语言查询，为我们的应用提供灵活的扩展能力。]]></description><category></category></item><item><title><![CDATA[使用Mojeek Search进行搜索的实战指南]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146468600</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146468600</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 09:55:14 +0800</pubDate><description><![CDATA[Mojeek是一个专注于用户隐私的搜索引擎，不依赖大型科技公司的数据支持。它提供一个简单易用的API接口，让开发者可以将搜索能力集成到自己应用或工具中。针对使用Mojeek API进行搜索的流程，本文将做一个详细的技术解析。]]></description><category></category></item><item><title><![CDATA[高效整合GitLab库与AI的开发实战]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146467052</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146467052</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 08:43:12 +0800</pubDate><description><![CDATA[GitLab是一款流行的代码版本控制平台，拥有强大的持续集成和部署功能。而是一个Python库，提供了访问GitLab API的便捷工具。结合使用大型语言模型(LLM)，我们可以构建一个能处理日常CI/CD任务的自动化代理。]]></description><category></category></item><item><title><![CDATA[使用Elasticsearch和BM25实现高效文档检索]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146465992</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146465992</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 03:36:55 +0800</pubDate><description><![CDATA[Elasticsearch以其分布式、多租户、RESTful的特性，成为构建复杂搜索应用的首选解决方案。其全文本搜索能力极为强大，支持通过各种检索算法获得相关性极高的检索结果。BM25（Okapi BM25）是基于概率检索模型的排名函数，最早由伦敦城市大学的Okapi信息检索系统实现，常被用于搜索引擎中以优化文档的相关性排序。]]></description><category></category></item><item><title><![CDATA[使用DocArray进行多模态数据管理与检索]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146465978</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146465978</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 03:25:53 +0800</pubDate><description><![CDATA[随着数据类型变得日益多样化，如何有效管理和检索这些数据成为一个重要课题。DocArray 提供了一个统一的接口来处理这些挑战，它支持不同的索引后端，允许用户根据需求灵活选择。# 定义电影文档的模式title: str。]]></description><category></category></item><item><title><![CDATA[使用ArxivRetriever从arXiv获取学术文章]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146465893</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146465893</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 02:52:48 +0800</pubDate><description><![CDATA[arXiv 是一个面向科学领域开放的在线文献存档库。研究人员可以上传和访问领域内的最新研究成果。为了在应用程序中有效利用这些资源，我们需要一种可靠的方法来从 arXiv 自动检索和格式化文档。这里，我们将使用中的来实现这一目标。]]></description><category></category></item><item><title><![CDATA[使用Tair作为向量数据库进行高效数据检索]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146465232</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146465232</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 00:36:43 +0800</pubDate><description><![CDATA[Tair是阿里云开发的云原生内存数据库服务，提供丰富的数据模型和企业级功能，这使其能够支持实时在线场景，同时保持与开源Redis的完全兼容。Tair还引入了基于新的非易失性内存（NVM）存储介质的持久化内存优化实例，这对于需要高性能和低延迟的应用尤为重要。在这篇文章中，我们将探讨如何使用Tair的向量数据库功能，并通过实际代码示例演示如何进行相关操作。]]></description><category></category></item><item><title><![CDATA[在SingleStoreDB中利用向量搜索实现高效的AI应用]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146464935</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146464935</guid><author>VYSAHF</author><pubDate>Mon, 24 Mar 2025 00:03:20 +0800</pubDate><description><![CDATA[SingleStoreDB 是一种高性能的分布式 SQL 数据库解决方案，专为云端和本地环境而设计，其卓越的性能使其在处理复杂AI应用时表现出色。尤其值得一提的是其对向量存储和操作的先进支持，使其成为需要进行文本相似性匹配等AI能力应用的理想选择。]]></description><category></category></item><item><title><![CDATA[使用UnstructuredOrgModeLoader加载Org-mode文档的实战指南]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146455156</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146455156</guid><author>VYSAHF</author><pubDate>Sun, 23 Mar 2025 13:34:24 +0800</pubDate><description><![CDATA[Org Mode是一种用于文档编辑、格式化和组织的模式，专为Emacs文本编辑器设计。它广泛应用于笔记、计划和书写活动中。随着AI技术的发展，越来越多的工具开始支持对Org Mode文档进行解析和处理，其中UnstructuredOrgModeLoader便是一个强大的工具。它提供了一种简单的方式来加载和处理Org-mode文件，使开发者能够在AI应用中利用这些结构化数据。]]></description><category></category></item><item><title><![CDATA[利用LarkSuite API将数据加载至LangChain实现文本摘要]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146454036</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146454036</guid><author>VYSAHF</author><pubDate>Sun, 23 Mar 2025 11:53:13 +0800</pubDate><description><![CDATA[LarkSuite API提供了强大的数据访问功能，例如获取文档和Wiki内容。为了访问这些数据，您需要一个有效的访问令牌（tenant_access_token或user_access_token）。这些令牌可以通过LarkSuite开放平台获取。当我们获取需要处理的数据后，可以使用LangChain中的功能进行进一步处理，例如文本摘要。]]></description><category></category></item><item><title><![CDATA[使用LangChain从Jupyter Notebook加载数据]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146453820</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146453820</guid><author>VYSAHF</author><pubDate>Sun, 23 Mar 2025 11:35:57 +0800</pubDate><description><![CDATA[如果遇到问题欢迎在评论区交流。]]></description><category></category></item><item><title><![CDATA[如何将Facebook聊天数据加载到LangChain中]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146452256</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146452256</guid><author>VYSAHF</author><pubDate>Sun, 23 Mar 2025 10:02:19 +0800</pubDate><description><![CDATA[Facebook Messenger是一款广泛使用的即时通讯工具，它存储了大量的用户对话数据。这些数据对于研究用户行为、构建聊天机器人以及理解语言模式非常有价值。通过将这些数据加载到处理框架中，可以更好地分析和利用这些信息。LangChain是一个流行的框架，适用于自然语言处理，尤其是在处理文本数据时非常有用。LangChain提供了多种文档加载器，可以轻松地将不同格式的数据转换为可处理的文档对象。]]></description><category></category></item><item><title><![CDATA[使用Etherscan API加载以太坊交易历史]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146452041</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146452041</guid><author>VYSAHF</author><pubDate>Sun, 23 Mar 2025 09:50:59 +0800</pubDate><description><![CDATA[此示例中，我们从指定账户中加载ERC20交易信息，并打印第一个交易的详细信息。以上代码演示了如何为账户配置过滤条件并分页提取交易记录。如果遇到问题欢迎在评论区交流。]]></description><category></category></item><item><title><![CDATA[使用Python分析和加载Discord聊天数据]]></title><link>https://blog.youkuaiyun.com/VYSAHF/article/details/146451463</link><guid>https://blog.youkuaiyun.com/VYSAHF/article/details/146451463</guid><author>VYSAHF</author><pubDate>Sun, 23 Mar 2025 09:12:16 +0800</pubDate><description><![CDATA[Discord是一个广泛使用的VoIP和即时通讯社交平台，允许用户通过语音、视频、文本、媒体和文件进行交流。用户可以在私人聊天或称为“服务器”的社区中进行互动，每个服务器由多个持久的聊天室和语音频道组成。在本文中，我们将探讨如何使用Python来下载和处理Discord数据，尤其是如何加载和分析Discord的聊天数据。]]></description><category></category></item></channel></rss>