动手学大模型应用开发-第四章 构建 RAG 应用

最新推荐文章于 2025-07-25 17:43:54 发布
最新推荐文章于 2025-07-25 17:43:54 发布
阅读量167 收藏
点赞数 3
CC 4.0 BY-SA版权
文章标签： python
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。
本文链接：https://blog.youkuaiyun.com/doublewei1/article/details/140014807

【动手学大模型应用开发-第四章 构建 RAG 应用-哔哩哔哩】 https://b23.tv/HNwC6P2

【训练营】DateWhale——动手学大模型应用开发（更新中）
KLeinLAN的博客
04-17 1153
大模型时代从GPT爆发开始到现在已有一年多了，深度学习发展之快无法想象，一味感叹技术发展速度超越个人学习速度是没用的，倒不如花点时间参加一些活动，比如思考大模型时代下如何训练小模型呢？毫无例外，openai的GPT系列是我们值得了解的一个重要模型，不过很可惜其并未开源，现在我们常用的GPT是3.5-turbo，可以执行各种任务，包括代码编写、数学问题求解、写作建议等。其余模型见datawhale的开源学习文档。
动手学大语言模型LLM-01
sinat_41341777的博客
06-14 2054
LangChain 框架的核心库、核心组件，提供了基础抽象和 LangChain 表达式语言（LCEL），提供基础架构和工具，用于构建、运行和与 LLM 交互的应用程序，为 LangChain 应用程序的开发提供了坚实的基础。统计学习的方法，分析前面的词汇预测下一个词汇-------------> 假如神经网络模型，把模型更好的捕捉和理解语言的复杂关系---------------->Transformer架构的神经网络模型，通过学习大量文本理解语言规则和模式—>大语言模型的实现。
datawhale动手学大模型应用开发-第四章-构建RAG应用
fan_fan_feng的专栏
04-24 518
这里以重写一个支持 智普api接口的LLM 组件# 继承自 langchain.llms.base.LLM# 默认选用 ERNIE-Bot-turbo 模型，即目前一般所说的百度文心大模型# 温度系数# API_Key'''构造 GLM 模型请求参数 messages请求参数：prompt: 对应的用户提示词'''# 首先定义一个返回默认参数的方法@property"""获取调用Ennie API的默认参数。
动手学大模型应用开发第一章：大模型简介
raulyy7777的博客
04-17 1639
本文内容来自 https://datawhalechina.github.io/llm-universeLarge Language Model ， 简称 LLM，也称大语言模型，是一种旨在理解和生成人类语言的人工智能模型。LLM 通常指包含数百亿（或更多）参数的语言模型，它们在海量的文本数据上进行训练，从而获得对语言深层次的理解。目前，国外的知名 LLM 有 GPT-3.5、GPT-4、PaLM、Claude 和 LLaMA 等，国内的有文心一言、讯飞星火、通义千问、ChatGLM、百川等。
Datawhale-动手学大模型应用开发-第四章心得
DeButAlacatraz的博客
04-25 837
LLM 接入 LangChain。
datawhale动手学大模型应用开发-第一章-大模型简介
fan_fan_feng的专栏
04-16 1064
这篇文章是关于大模型应用开发的入门指南，提供了对常见闭源和开源大模型的简介，包括它们的参数量、架构类型、词表上下文长度等技术细节。文章还介绍了检索增强生成（RAG）的基本原理和工作流程，这是一种结合信息检索和自然语言生成的方法，用于生成符合用户需求的文本结果。特别地，文章详细阐述了LangChain框架，这是一个用于构建由语言模型驱动的应用程序的工具，它提供了模块化的组件和特定用例链，以实现数据感知和主动性。此外，文章还概述了大模型开发流程的关键步骤，包括设计、搭建整体架构、Prompt Engineeri
datawhale动手学大模型应用开发-第六章-LLM 应用精选案例
fan_fan_feng的专栏
04-28 611
为提高回答的准确性和可靠性，项目特别集成了RAG技术，该技术通过在生成回答前检索大量数据中的相关信息，有效提升了信息检索的精度并减少了误导性信息的产生。这一结合了检索和生成的方法确保了智能助手在信息提供上的准确性和权威性，使其成为用户处理海量数据时的有力工具。：利用检索到的文档作为上下文（Context），结合问题，生成一个prompt提交给大型语言模型（LLM），由其生成回答（Answer）。：将用户的查询向量化，并在知识库文档的向量索引中检索与查询最相似的top k个文档。
Datawhale-动手学大模型应用开发-第五章心得
DeButAlacatraz的博客
04-27 477
在构建基于大型语言模型（LLM）的应用时，重要的步骤之一是验证和优化。你可以快速创建一个基于LLM的应用，并通过少量的样本进行初步验证。随后，通过添加更多的例子（Bad Case）到测试集中，逐步扩大开发集的规模，以不断优化系统性能。例如，通过改进Prompt模板，可以使得系统生成更具体、详细的回答，以提高回答的质量。通过这些方法，可以系统性地评估和优化LLM应用的各个部分，从而提高整体应用的效果和用户满意度。在具体的大模型应用开发中，一种常见的做法是通过寻找Bad Case并针对性优化。
动手学大模型应用开发（第一章：大语言模型和RAG简介）
weixin_47667570的博客
05-04 1726
入门大语音模型基础知识，开发LLM应用：用LangChain搭建知识库助手
动手学大模型应用开发第四章：构建RAG应用
raulyy7777的博客
04-24 426
本文内容来自 https://datawhalechina.github.io/llm-universe。
“动手学大模型应用开发”（学习记录）-- Datawhale LLM Universe April 2024 开源学习
qq_41572132的博客
04-16 1415
DataWhale 的 LLM 实战项目学习笔记
动手学大模型应用全栈开发#Datahale AI夏令营
2301_79499190的博客
08-09 1852
datawhaleAI夏令营第四期#动手学大模型应用全栈开发baseline运行及解读
[小白学大模型]dify-终于用mac intel跑起了大模型
xqdd的专栏
01-20 2224
FILES_URL=LOG_TZ=UTC# Example:DB_HOST=dbREDIS_DB=0@#123如果您需要自定义配置，请参考文件中的注释，并更新.env文件中对应的值。此外，您可能需要根据您的具体部署环境和需求对文件本身进行调整，例如更改镜像版本、端口映射或卷挂载。完成任何更改后，请重新运行。
告别人工智能韭菜课，来GitHub免费学大模型
IT大头的博客
03-19 1001
现在网络上各种卖课的真是太多了，而且大多都是垃圾内容，所以大家一定要认真辨别。对于像LLM这类的内容，在GitHub或者开放途径是有着大量学习资料，完全没有必要花钱买。如果你说你不想阅读，就想听人给你讲，那就没法子了。
Flask框架全面详解
q_cccc_的博客
07-23 1564
Flask是一个基于Python的微型Web开发框架，诞生于2010年，由Armin Ronacher开发。它的核心思想是保持简单但易于扩展。Flask的特点轻量级：核心功能简单，不包含太多内置功能可扩展：通过丰富的扩展库添加所需功能灵活：不强制使用特定的项目结构或数据库基于Werkzeug WSGI工具箱和Jinja2模板引擎Flask以其简洁和灵活性成为Python Web开发的重要框架。通过本文的学习，你应该已经掌握了Flask的核心概念和常用功能。
【Python】绘制小提琴、箱线和散点的组合图
a11113112的博客
07-25 388
可根据需求修改各图的配色。
Python 程序设计讲义（15）：Python 的数据运算——位运算
睿思达DBA
07-24 454
介绍 Python 的位运算
力扣刷题（第九十八天）
最新发布
eachin_z的博客
07-25 253
python脚本学习。- 保持更新，努力学习。
利用遥感和 Python 追踪休斯顿的绿化覆盖率（基于卫星 NDVI）
gis收藏家的博客
07-24 332
具体来说，就是用 Sentinel-2 2A 级影像，将第 8 波段减去第 4 波段，再除以它们的和。你所看到的是休斯顿的绿意盎然，以及这片绿意栖息的土地。Sentinel-2 非常棒，因为它可以免费获得 10 米分辨率的数据，并且每 5 天提供一次覆盖全球的数据。得益于欧洲航天局的哨兵二号卫星和免费提供的哥白尼数据，我们现在可以逐像素地追踪城市绿化覆盖的细微变化。因此，这类遥感技术的入门门槛很低。在休斯顿这样的地方，开发向外延伸到低密度绿地区域，它是一种追踪我们经常忽略的东西的工具：我们建造的东西。
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

doublewei1

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