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 2025-12-06 18:40:48 发布
原创 最新推荐文章于 2025-12-06 18:40:48 发布 · 182 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：

#python

【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

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
04-24 557
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。
Datawhale-动手学大模型应用开发-第四章心得
DeButAlacatraz的博客
04-25 889
LLM 接入 LangChain。
动手学大模型应用开发第一章：大模型简介
raulyy7777的博客
04-17 1783
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-第一章-大模型简介
fan_fan_feng的专栏
04-16 1123
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
04-28 634
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
04-27 493
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 1973
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
04-24 473
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 1512
DataWhale 的 LLM 实战项目学习笔记
【训练营】DateWhale——动手学大模型应用开发（更新中）
KLeinLAN的博客
04-17 1253
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 2127
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。
llm-universe | 四. 构建RAG应用
m0_37634594的博客
06-26 1168
Streamlit 是一种快速便捷的方法，可以直接在*Python 中通过友好的 Web 界面演示机器学习模型*。Streamlit 提供了一组简单而强大的基础模块，用于构建数据应用程序：st.write()：这是最基本的模块之一，用于在应用程序中呈现文本、图像、表格等内容。st.title()、st.header()、st.subheader()：这些模块用于添加标题、子标题和分组标题，以组织应用程序的布局。
50、【Ubuntu】【Gitlab】拉出内网 Web 服务：http.server 单/多线程分析（二）
HIT_Weston的博客
12-04 1308
本文分析了Python的http.server模块在单线程和多线程模式下的性能表现。通过测试发现，单线程模式下（Python<3.7）并发请求会被阻塞，后发请求需要等待前一个请求完成；而多线程模式下（Python≥3.7）可以同时处理多个请求。作者通过slow_server.py脚本模拟耗时操作，使用time curl命令测试响应时间，验证了线程模型的差异。文章还指出Python 3.7是一个重要分水岭，官方将默认命令行服务器升级为多线程以提升用户体验。技术细节参考了CPython源码，并提供了Git
推荐 | JoyAgent-JDGenie：开箱即用的端到端多智能体产品
lpfasd123的博客
12-05 317
如果你在寻找一款真正可落地的多智能体产品，用来“搜索-分析-生成报告”、“数据问答与诊断”、“代码解释与图表生成”，同时希望易部署、易扩展、易二次开发——JoyAgent-JDGenie 是非常值得试用与推荐的选择。只需填好少量配置，即可获得端到端的流式体验与交付能力。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 1257
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
零基础学JAVA--Day41(IO文件流+IO流原理+InputStream+OutputStream)
Dxxyyyy的博客
12-05 880
文件在程序中是以流的形式来操作的流：数据在数据源（文件）和程序（内存）之间经历的路径输入流：数据从数据源（文件）到程序（内存）的路径输出流：数据从程序（内存）到数据源（文件）的路径。
【Android逆向工程】第19章：协议分析与接口还原
w987333120的博客
12-03 410
本文介绍了网络协议分析的关键技术与工具。主要内容包括HTTP/HTTPS协议分析流程、常用抓包工具配置（Charles/Burp Suite）、协议格式解析方法以及签名算法还原技术。通过示例展示了完整的请求/响应分析过程，涵盖请求行、请求头、请求体的解析方法，特别关注签名相关字段的识别。文章还提供了Python代码示例演示如何自动分析HTTP请求结构，帮助逆向工程师理解业务逻辑、还原接口签名算法并实现自动化脚本。
使用 DeepSeek 提升工作效率
Deng872347348的博客
12-03 674
摘要：本文系统介绍了如何利用DeepSeek AI工具提升工作效率。文章首先分析职场痛点，指出DeepSeek在技术文档、代码开发、数据处理等专业场景的优势。随后详细解析核心功能模块，包括文本生成、代码支持、数据分析和知识管理，并明确其适用边界。重点提供了可直接复用的指令模板，涵盖技术文档撰写、脚本开发、数据可视化等典型场景，如自动生成API文档、Python数据分析脚本等。最后给出集成办公软件的最佳实践，并针对不同行业提供适配方案，强调AI工具"增强而非替代"的定位，帮助用户将重复性工
第30篇：逆袭量化路：用 bot_start 和 bot_loop_start 玩转 Freqtrade 策略
最新发布
qq_36936892的博客
12-06 199
Freqtrade策略开发中，bot_start()和bot_loop_start()是两个关键生命周期函数。bot_start()在机器人启动时仅调用一次，适合初始化数据、加载资源等操作；bot_loop_start()在每个交易循环开始时触发，可用于状态刷新、动态参数调整等周期性任务。开发者应注意前者只需快速执行，后者需保持轻量以避免阻塞。合理使用这两个函数能增强策略灵活性，支持复杂交易逻辑实现。掌握这两个回调函数是提升Freqtrade策略开发效率的重要环节。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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