【Java-LangChain:使用 ChatGPT API 搭建系统-1】简介

原创 已于 2023-10-03 16:19:38 修改 · 682 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#chatgpt #langchain #人工智能

于 2023-10-03 10:43:15 首次发布
本文介绍如何通过ChatGPTAPI构建复杂的智能问答系统，以客服助手为例，讲解链式调用Prompt、选择最佳实践以及提供Java开发者的迁移路径。配套代码可在GitHub找到。

简介

欢迎来到课程《使用 ChatGPT API 搭建系统》 , 旨在指导开发者如何基于 ChatGPT 搭建完整的智能问答系统。

使用 ChatGPT 不仅仅是一个单一的 Prompt 或单一的模型调用，本课程将分享使用 LLM 构建复杂应用的最佳实践。

本课程以构建客服助手为例，使用不同的 Prompt 链式调用语言模型，具体的 Prompt 选择将取决于上一次调用的输出结果，有时还需要从外部来源查找信息。

本课程将围绕该主题，逐步了解应用程序内部的构建步骤，并分享在长期视角下系统评估和持续改进方面的最佳实践。

Java快速转换到大模型开发：
配套课程的所有代码已经发布在：https://github.com/Starcloud-Cloud/java-langchain
课程合作请留言

【Java-LangChain:使用 ChatGPT API 搭建系统-4】评估输入-分类
df007df的博客
10-03 2165
如果您正在构建一个允许用户输入信息的系统，首先要确保人们在负责任地使用系统，以及他们没有试图以某种方式滥用系统，这是非常重要的。在本章中，我们将介绍几种策略来实现这一目标。我们将学习如何使用 OpenAI 的 Moderation API 来进行内容审查，以及如何使用不同的 Prompt 来检测 Prompt 注入（Prompt injections）。
【Java-LangChain:使用 ChatGPT API 搭建系统-2】语言模型，提问范式与 Token
df007df的博客
10-03 1881
在本章中，我们将和您分享大型语言模型（LLM）的工作原理、训练方式以及分词器（tokenizer）等细节对 LLM 输出的影响。我们还将介绍 LLM 的提问范式（chat format），这是一种指定系统消息（system message）和用户消息（user message）的方式，让您了解如何利用这种能力。
【Java-LangChain:使用 ChatGPT API 搭建系统-8】搭建一个带评估的端到端问答系统
df007df的博客
10-03 702
在本章中，我们将搭建一个带评估的端到端问答系统，这个系统综合了之前多节课的内容，并加入了评估过程。检查输入，确认其是否能通过审核 API 的审核。如果通过了审核，我们将查找产品列表。如果找到了产品，我们将尝试查找它们的相关信息。我们使用模型回答用户提出的问题。我们将通过审核 API 对生成的答案进行审核。如果没有被标记为有害的，我们将把答案返回给用户。
【Java-LangChain:使用 ChatGPT API 搭建系统-5】处理输入-思维链推理
df007df的博客
10-03 781
在本章中，我们将专注于处理输入，即通过一系列步骤生成有用地输出。有时，模型在回答特定问题之前需要进行详细地推理。如果您参加过我们之前的课程，您将看到许多这样的例子。有时，模型可能会因为过于匆忙得出结论而在推理过程中出错。因此，我们可以重新构思查询，要求模型在给出最终答案之前提供一系列相关的推理步骤，这样它就可以更长时间、更深入地思考问题。通常，我们称这种要求模型逐步推理问题的策略为思维链推理。
【Java-LangChain:使用 ChatGPT API 搭建系统-7】检查结果
df007df的博客
10-03 252
在本章中，我们将重点如何检查系统生成的输出。在向用户展示输出之前，检查输出的质量、相关性和安全性对于确保提供的回应非常重要，无论是在自动化流程中还是其他场景中。我们将学习如何使用审查 API 来评估输出，并探讨如何使用额外的 Prompt 来提升模型在展示输出之前的质量评估。
【Java-LangChain:使用 ChatGPT API 搭建系统-9】评估（上）-存在一个简单的正确答案时
热门推荐
df007df的博客
10-03 1万+
在之前的章节中，我们展示了如何使用 LLM 构建应用程序，包括评估输入、处理输入以及在向用户显示输出之前进行最终输出检查。构建这样的系统后，如何知道它的工作情况？甚至在部署后并让用户使用它时，如何跟踪它的运行情况，发现任何缺陷，并持续改进系统的答案质量？在本章中，我们想与您分享一些最佳实践，用于评估 LLM 的输出。构建基于 LLM 的应用程序与传统的监督学习应用程序有所不同。由于可以快速构建基于 LLM 的应用程序，因此评估方法通常不从测试集开始。相反，通常会逐渐建立一组测试示例。
【Java-LangChain:使用 ChatGPT API 搭建系统-6】处理输入-链式 Prompt Chaining Prompts
df007df的博客
10-03 1149
在本章中，我们将学习如何通过将复杂任务拆分为一系列简单的子任务来链接多个 Prompt。您可能会想，为什么要将任务拆分为多个 Prompt，而不是像我们在上一个视频中学习的那样，使用思维链推理一次性完成呢？我们已经证明了语言模型非常擅长遵循复杂的指令，特别是像 GPT-4 这样的高级模型。那么让我们用两个比喻来解释为什么我们要这样做，来比较思维链推理和链式 Prompt。将任务拆分为多个 Prompt 的第一个比喻是一次性烹饪复杂菜肴与分阶段烹饪的区别。
【Java-LangChain:使用 ChatGPT API 搭建系统-3】评估输入-分类
df007df的博客
10-03 656
在本章中，我们将重点讨论评估输入任务，这对于确保系统的质量和安全性至关重要。对于需要处理不同情况下的许多独立指令集的任务，首先对查询类型进行分类，并以此为基础确定要使用哪些指令，具有诸多益处。这可以通过定义固定的类别和 hard-coding 与处理给定类别任务相关的指令来实现。例如，在构建客户服务助手时，首先对查询类型进行分类，然后根据该分类确定要使用哪些指令，这一点可能非常重要。举个具体的例子，如果用户要求关闭其帐户，那么二级指令可能是添加有关如何关闭账户的额外说明；
【Java-LangChain:使用 ChatGPT API 搭建系统-11】用 ChatGPT API 构建系统 总结篇
df007df的博客
10-03 621
本课程详细介绍了 LLM 工作原理，包括分词器（tokenizer）的细节、评估用户输入的质量和安全性的方法、使用思维链作为 Prompt、通过链式 Prompt 分割任务以及返回用户前检查输出等。此外，课程也涉及到如何构建负责任的系统，以保证模型提供合理且相关的反馈。本课程还介绍了评估系统的长期性能，以监控和改进表现的方法。
Java开发者LLM实战——使用LangChain4j构建本地RAG系统.markdown-body pre,.markdown-body pre＞code.hljs{color:#333；backg
2401_85377976的博客
08-01 1463
RAG（Retrieval-Augmented Generation）的核心思想是：将传统的信息检索（IR）技术与现代的生成式大模型（如chatGPT）结合起来。具体来说，RAG模型在生成答案之前，会首先从一个大型的文档库或知识库中检索到若干条相关的文档片段。再将这些检索到的片段作为额外的上下文信息，输入到生成模型中，从而生成更为准确和信息丰富的文本。RAG的工作原理可以分为以下几个步骤：1.接收请求：首先，系统接收到用户的请求（例如提出一个问题）。2.信息****检索（R)
使用spring-ai快速对接ChatGpt
m0_74293254的博客
04-20 2261
该项目从著名的 Python 项目（例如 LangChain 和 LlamaIndex）中汲取灵感，但 Spring AI 并不是这些项目的直接移植。由于创建了行业领先的文本生成模型和嵌入，ChatGPT 在激发人们对人工智能驱动的文本生成的兴趣方面发挥了重要作用。Spring AI 项目定义了一个名为的配置属性，应该将其设置为从 openai.com 获取spring.ai.openai.api-key的值。该Spring AI项目旨在简化包含人工智能功能的应用程序的开发，避免不必要的复杂性。
LangChain4j入门：Java开发者的AI应用开发指南
m0_65382359的博客
07-20 1155
想象一下，你正在开发一个企业级应用，需要集成ChatGPT来提供智能客服功能。传统方式需要直接调用OpenAI API，处理复杂的HTTP请求、错误重试、上下文管理等问题。.build();String response = model.generate("如何提高客户满意度？这就是LangChain4j的魅力——让Java开发者能够像使用Spring Boot一样简单地构建AI应用！
深度解析GEO如何系统构建品牌的数字权威与推荐势能
2409_88656616的博客
12-26 1001
随着生成式AI（如DeepSeek、Kimi、ChatGPT）月活用户激增并重塑信息获取方式，传统SEO的优化逻辑正在失效。品牌面临的新挑战是：如何在基于语义理解的AI对话中被发现、理解并主动推荐。GEO（生成式引擎优化）应运而生，它是一套专门优化AI模型认知与推荐行为的技术体系。本文将从技术背景、核心原理、架构设计、关键技术与实践路径五个维度，深度解析GEO如何帮助品牌在AI时代构建不可替代的数字权威。以专注于此领域的BugooAI布谷为例，我们将看到一套从监测、分析到优化、生成的完整闭环解决方案，如何将
GEO优化服务战略蓝图：成本、模式与快速启动指南
最新发布
2409_88656616的博客
12-30 682
AI搜索正重塑流量格局，品牌在AI对话中的‘隐身’已成为新痛点。本文深度解析GEO优化（生成式引擎优化）的本质、价格体系与主流合作模式，帮助B2B决策者理解如何通过GEO 1.0快速见效或GEO 2.0深度共建，低成本抢占AI流量红利。我们将以BugooAI布谷的实践为例，拆解从诊断到效果保障的四步落地流程，为您提供启动AI搜索优化战略的清晰路径。
ChatGPT VS Claude ，Agent记忆用对话压缩还是RAG按需检索
ZILLIZ
12-24 851
指的是短期、非持久化记忆，仅在会话启动时注入一次，会话结束后销毁，主要用于让模型适配当前场景（如移动端简化回复格式），不影响长期记忆。，则是长期、可编辑的核心记忆，用于记录用户稳定属性（，如姓名、职业目标、过往经历、项目成果、学习偏好），每次对话都会强制注入。有时是纯语义检索（之前讨论的性能优化方案），有时是纯时间检索（上周的所有对话），有时是复杂组合（三个月内关于 Python 且提到 FastAPI 的讨论）。必须支持存储计算分离，热数据在内存、冷数据在对象存储，按需加载。（不包含助手回复）；
【大模型从入门到精通19】开源库框架LangChain LangChain文档加载器1
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
08-13 2302
在数据驱动的应用领域，特别是涉及对话界面和大型语言模型（LLM）的应用中，从各种来源高效加载、处理并与数据进行交互的能力至关重要。这些加载器擅长处理来自公共源的数据，如 YouTube、Twitter 和 Hacker News，同时也适用于来自专有源的数据，如 Figma 和 Notion。保存清洗后的文本：可选地，脚本可以将清洗和分词后的文档文本保存到文件中。这个扩展的代码提供了一个更全面的示例，展示如何从加载和清洗文本到基本分析和处理特殊情况，对 PDF 文档进行程序化的处理。
【AI学习-comfyUI学习-第二十三-法线贴图工作流-depth 结构+MiDaS 法线-各个部分学习】
qq_22146161的博客
12-25 1644
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。不断学习摸索中。
Math - 中心化，标准化和归一化
guoqx的专栏
12-30 186
摘要：归一化是将数据转换为统一尺度的处理方法，消除量纲差异，便于比较与分析。常见方法包括Min-Max缩放（线性映射到固定区间）和Z-score标准化（均值0，标准差1）。Min-Max适用于需要固定范围的情况，但对异常值敏感；Z-score适用于单位不同或存在离群值的场景。归一化在数据分析、信号处理和机器学习中广泛应用，需根据数据分布和算法需求选择合适方法，并注意保存参数以确保一致性。流程包括数据清洗、方法选择、拟合转换和效果评估。
6神经网络框架
2301_81531626的博客
12-27 1289
本文系统介绍了神经网络的基本框架和发展过程。首先指出线性模型的局限性，说明其无法拟合复杂非线性关系。接着引入分段线性曲线和Sigmoid函数，通过参数调节实现曲线拟合。随后详细阐述了神经网络的构建过程：从单输入扩展到多特征输入，引入矩阵运算简化表达式，并说明激活函数的作用。最后介绍深度学习中ReLU激活函数的优势，其简单计算特性可有效组合成复杂曲线。全文通过数学公式和图示相结合，清晰展现了神经网络从线性模型到深度学习框架的演进逻辑。
我使用的是LangChain 4j
07-02
如果你使用的是 **LangChain4j**（即 Java 版本的 LangChain），并且已经选择了 Qdrant 作为向量数据库来搭建 RAG 系统，那么你可以通过以下方式在 Java 中实现本地知识库检索增强生成（RAG）系统。 --- ### ✅ ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

df007df

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值