RAG Logger:RAG日志记录工具

使用LM Studio与Anything LLM基于Llama-3高效构建本地知识库系统 另外,也可以选择openai或AnythingLLM,如果选择AnythingLLM,如下图所示,列表了其支持的大语言模型,选择了对应的模型点击“save changes“时,在后台会下载对应的大模型到本地。针对测试人员,可以在构建的大型模型和知识库问答应用中进行快速测试,并跟踪各个环节的结果,如embedding的召回结果是否覆盖所有知识点,可通过接口调用日志进行快速查看。针对业务专家和产品设计人员,即使不懂代码,也能快速构建产品原型,了解基于大型模型知识体系的构建过程,并能选型大语言模型。 阅读详情

您听说过 RAG Logger 吗? 它是一款专为检索增强生成 (RAG) 应用程序设计的开源日志记录工具! 据说它可以作为 LangSmith 的轻量级替代方案,满足 RAG 特定的日志记录需求。 查询、搜索结果、LLM 交互和性能指标可以以 JSON 格式记录。

特点
  • 通过查询跟踪详细了解用户问题!
  • 通过记录搜索结果来验证信息检索的准确性!
  • 通过记录LLM 交互来分析响应生成过程!
  • 通过逐步性能监控查找并优化瓶颈!
  • 基于 JSON 的日志格式的结构化存储和每日日志配置使数据管理变得轻松!

RAG Logger 为 RAG 应用程序的性能监控和调试提供了强大的支持,对吗? 特别推荐给那些想要提高应用程序开发效率的人。

请参阅此处的详细信息: RAG Logger GitHub 仓库

程序员为什么要学大模型?

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

事实上,抢你饭碗的不是AI,而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?

与其焦虑……

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。

针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料 分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1:AI大模型时代的基础理解

  • 目标:了解AI大模型的基本概念、发展历程和核心原理。

  • 内容:

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2:AI大模型API应用开发工程

  • 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。

  • 内容:

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3:AI大模型应用架构实践

  • 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。

  • 内容:

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4:AI大模型私有化部署

  • 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。

  • 内容:

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)👈

​

Ollama 可以在 Windows 上运行了 阅读详情

相关推荐

Ollama入门教程:从安装到运行的完整指南

随着人工智能(AI)技术的快速发展,大型语言模型(LLMs)逐渐成为了各行各业的重要工具。然而,使用这些强大模型的同时,数据隐私、处理效率和部署复杂度等问题也逐渐浮现。为了解决这些问题,Ollama 提供了一种创新的解决方案——通过本地化部署大型语言模型,不仅能够增强数据隐私性,还能提高模型的运行效率。本文将详细介绍如何下载和安装 Ollama,如何选择和运行不同的语言模型,以及 Ollama 的特点、适用场景、优缺点等内容,帮助大家深入了解这一平台。ollama官网🚪 ollama官方文档🚪 根据自己

yoona333的博客 8293

最强开源大模型炸场!全网独一份AI大模型学习实践资源...(待会删)

最强开源大模型炸场!全网独一份AI大模型学习实践资源...(待会删)

Y525698136的博客 1658

RAG Logger:专为检索增强生成(RAG)应用设计的开源日志工具,支持查询跟踪、性能监控

RAG Logger 是一款专为检索增强生成(RAG)应用设计的开源日志工具,支持查询跟踪、检索结果记录、LLM 交互记录和性能监控等功能。

士多啤梨先生の博客 965

本地LLM部署--LM Studio 初探秘

LM Studio提供了一个灵活、强大的平台,支持本地部署和微调LLM,适合对数据隐私要求较高的用户。未来可能增加更多本地化应用,如语音识别、视频分析等,随着硬件加速技术的发展,LM Studio的性能有望进一步提升,未来将支持更多的模型和插件,使得平台的适应性更强。它支持离线运行模型,并提供直观的界面,方便用户进行文本生成、模型微调和文档交互。LM Studio适合有一定技术背景的开发者和企业,特别是在数据隐私、模型微调和离线应用场景中具有独特的优势。

qq_43819568的博客 1万+

从RAG到智能体:构建工程化Agentic RAG系统的核心架构与实践

大家好,我是专注于AI应用开发与工程化落地的技术博主。在探索如何将大语言模型(LLM)深度融入实际业务时,我们常常面临一个核心矛盾:模型的知识是静态的,而世界是动态的。传统的RAG(检索增强生成)虽然能接入外部知识,但其“检索-生成”的单向流程在面对复杂、多步、需要推理和验证的任务时,往往显得力不从心。你是否也遇到过这样的困境:想让AI帮你分析最新的行业报告、对比多个产品的实时价格,或者根据一系列用户反馈制定一个完整的优化方案,却发现简单的RAG系统要么检索不准,要么生成的内容缺乏深度和可信度? 这正是 A

weixin_34414196的博客 454

LangChain实战:从RAG知识库到智能Agent的完整开发指南

大语言模型应用开发中,检索增强生成(RAG)技术通过将外部知识库与语言模型结合,有效解决了模型知识局限性和时效性问题。其核心原理是将文档向量化存储,通过相似度检索匹配用户查询,再让模型基于检索结果生成精准答案。这种技术显著提升了专业领域问答的准确性和可信度,广泛应用于企业知识库、技术文档查询等场景。智能Agent则在此基础上赋予模型自主决策能力,通过工具调用实现复杂任务自动化。本文基于LangChain 1.3最新特性,详细演示如何构建支持RAG检索和工具调用的混合Agent系统,涵盖向量数据库配置、工具封

weixin_34290631的博客 355

从RAG到Agentic RAG:构建生产级可信AI Agent的工程化实战指南

最近在尝试将 AI Agent 应用到实际业务场景时,很多开发者朋友都遇到了类似的问题:基于 LangChain 或 LlamaIndex 搭建的 RAG 原型跑得挺好,但一涉及到复杂查询、多步骤推理或生产环境部署,系统就变得脆弱不堪。要么是检索结果不精准,导致 AI“胡言乱语”;要么是智能体(Agent)逻辑混乱,陷入死循环;再或者就是整个系统难以监控、调试和迭代。 这背后的核心痛点,在于我们往往只构建了一个“玩具级”的 RAG,而非一个“工程化”的、具备自主行动能力的 Agentic RAG 系统。本文

chupu2979的博客 408

【AI大模型应用开发】【项目实战】23.RAG智慧问答项目-(十一)融合MySQL的RAG系统之融合FQA和知识库查询

两种问答系统方案:基础版(old_main.py)和增强版(new_main.py),基础版通过BM25算法快速匹配MySQL结构化数据,并结合RAG系统处理复杂查询,配备日志记录和错误处理功能。增强版在基础功能上新增对话历史管理和流式输出功能,支持多轮对话交互,并优化了RAG系统性能。两种方案均采用模块化设计,包含输入处理、知识库查询(MySQL/RAG)、结果评估、日志记录和输出等核心流程。讲解了代码实现逻辑,包括系统初始化、API调用、查询处理等关键模块,并提供了提升RAG效果的具体策略建议

资深系统架构,深耕高并发研发与 AI 大模型工程化落地。技术栈以 Python (AI/NLP/RAG/Agent) 与 Golang (高并发架构) 为双核心,兼具 PHP 大型应用经验。专注算法落地、复杂系统设计及团队技术赋能 189

工程化Agentic RAG系统:从Google Search到生产级AI Agent的实战指南

大家好,我是专注于技术实战与工程落地的博主。在探索如何将前沿的AI能力,特别是RAG(检索增强生成)和AI Agent,真正应用到企业级生产环境时,我们常常会遇到一个核心矛盾:原型验证很酷,但一上生产就问题频出——数据源不稳定、回答不可信、流程难维护、性能跟不上。本文将围绕“工程化Agentic RAG系统”这一主题,深度拆解如何构建一个从灵活的外部搜索(如Google Search)到稳定、可信、可运维的生产级AI Agent的完整链路。无论你是希望将AI能力集成到现有业务的后端开发者,还是致力于构建下一

491

【AI大模型应用开发】【项目实战】15.RAG智慧问答项目-(三)基于MySql库的问答系统(FQA模块)之Python日志记录&Redis数据库简介与使用

本文介绍了Python日志记录模块logging的应用及Redis数据库的基本使用。logging模块提供灵活的日志记录功能,支持不同级别(DEBUG、INFO等)和输出目标(控制台、文件),通过示例展示了日志配置、格式自定义和多目标输出。Redis作为高性能键值数据库,文章讲解了其核心特性和应用场景,并给出Python操作Redis的代码实现,包括数据存取和问答对缓存功能。两部分内容均为工程化项目开发中的实用技术,帮助开发者实现程序监控和高效数据缓存。

资深系统架构,深耕高并发研发与 AI 大模型工程化落地。技术栈以 Python (AI/NLP/RAG/Agent) 与 Golang (高并发架构) 为双核心,兼具 PHP 大型应用经验。专注算法落地、复杂系统设计及团队技术赋能 339

Agentic RAG工程实践:构建具备动态规划与验证能力的生产级AI智能体

你是否曾尝试将RAG(检索增强生成)系统投入实际生产,却发现它远不如演示时那般“智能”?当用户提出一个需要多步推理、实时数据验证或动态决策的复杂问题时,传统的RAG就像一个只会照本宣科的图书管理员——你问一个问题,它去书架上找一段最相关的文字,然后原封不动地念给你。这个过程是静态的、被动的,一旦问题超出单次检索的范畴,系统就会陷入僵局。 这正是当前AI应用从“玩具”走向“工具”的核心瓶颈。我们需要的不是一个简单的问答机,而是一个能主动思考、规划、执行并验证的“智能体”(Agent)。 “Agentic RA

weixin_33851177的博客 354

Code-Graph-RAG数据备份与恢复:保障知识图谱安全的完整指南

Code-Graph-RAG作为面向大型代码库的终极RAG解决方案,其核心知识图谱包含了多语言代码的复杂关系和语义信息。本文将详细介绍如何安全备份和快速恢复这些关键数据,确保您的AI代码理解系统持续稳定运行。 ## 为什么知识图谱备份至关重要? 知识图谱是Code-Graph-RAG的核心资产,它存储了代码间的依赖关系、函数调用链和语义关联。任何数据丢失或损坏都可能导致AI代码理解能力下降,甚

gitblog_00400的博客 876

AI大模型应用开发全流程:从RAG到Agent智能体的实战指南

AI大模型作为基于Transformer架构的深度学习技术,通过海量数据预训练获得强大的语言理解和生成能力。其核心原理在于利用自注意力机制处理序列数据,具备出色的泛化性能和上下文理解优势。在工程实践中,检索增强生成(RAG)技术通过结合外部知识库检索与大模型生成能力,有效提升了回答的准确性和相关性。而Agent智能体开发则赋予系统自主任务理解、规划执行和工具调用的能力。这些技术在智能客服、文档分析、代码助手等场景中展现巨大价值。本文聚焦RAG系统架构设计、LangChain框架应用等热门前沿领域,提供从环境

weixin_30879833的博客 451

3步实现自定义模态处理器:RAG-Anything扩展开发完整指南

RAG-Anything作为一款功能强大的多模态RAG框架,其真正的魅力在于其高度可扩展的模态处理器架构。本文将为你提供一份完整的技术指南,详细讲解如何在RAG-Anything中开发自定义模态处理器,解锁无限的多模态处理能力。无论你是技术开发者还是系统架构师,都能通过本文掌握扩展RAG-Anything核心功能的关键技巧。 ## 🚀 项目核心价值与扩展能力概述 RAG-Anything不仅

gitblog_00233的博客 608

基于LangChain的RAG系统构建:从知识库到智能问答实战

检索增强生成(RAG)技术通过结合信息检索与文本生成,为大语言模型提供外部知识支撑。其核心原理是在生成答案前,先从知识库中检索相关信息作为上下文,从而提升回答的准确性和专业性。RAG技术的价值在于减少模型幻觉现象,增强特定领域问题的处理能力,并保持知识的实时更新。在AI Agent开发中,RAG广泛应用于智能客服、企业知识管理、教育辅助等场景。本文以LangChain框架为例,详细探讨如何构建高效的RAG系统,涵盖文档加载、向量化存储、混合检索策略等关键环节,为开发者提供从基础概念到工程实践的完整指南。

weixin_30920597的博客 348

如何下载最新版本的VMware Workstation

随着虚拟化技术的发展,VMware Workstation作为行业领先的桌面虚拟化软件,为用户提供了在单一物理计算机上运行多个操作系统的能力。本文将详细介绍如何从Broadcom支持网站下载最新的VMware Workstation Pro版本。

安呀智数据坊的博客 669

Self-RAG实战:用LangGraph构建可审计、可调试的RAG闭环系统

RAG(检索增强生成)是当前知识增强AI的核心范式,但传统RAG常因‘检索-生成’单向流水线导致答非所问、事实幻觉与意图偏离。其根本症结在于缺乏对检索必要性、文档相关性、答案事实性及用户问题解决度的动态校验机制。Self-RAG通过引入四阶结构化判断(Should Retrieve? / Are Docs Relevant? / Is Response Grounded? / Does It Answer?),将黑盒生成转化为可审计、可干预、可回溯的状态流。结合LangGraph的StateGraph与条件

diaomeijiao3430的博客 457

kaggle——销量预测的baseline(M5 Forecasting - Accuracy)

前言 在刚刚结束的kaggle比赛M5 Forecasting - Accuracy中,因为是第一次参加,笔者也是花了大量的时间和精力在上面,最终拿到一块银牌(所以我拿到了大学第一个考试挂科。。。求求电磁场老师高抬贵手给点平时分放我一马吧。。。早上看到kaggle成绩异常兴奋,中午考完直接爆炸=。=),当然运气占了很大因素,这次比赛private leadboard的shake up非常大,排名波动几千名都存在的。笔者运气不错,是向上的shake:)。这里总结一下销量预测的基本流程。 从下图可以看到这次比

weixin_43901221的博客 5432

深度解密:基于Python的高性能RAG系统设计,从向量检索到缓存穿透防御,这篇就够了

大语言模型(LLM)的落地从来不是一件简单的事。在2026年的今天,如何解决大模型的“幻觉”问题、如何提升检索速度、如何降低Token成本,是每个开发者面临的痛点。本文将带你从零构建一套企业级RAG(检索增强生成)系统。我们将深入探讨Milvus向量数据库的高效检索、Redis的缓存加速、Ollama的本地模型调用以及Logging日志系统的规范化。文中不仅包含完整的Python实战代码,还深度解析了混合检索、动态字段处理等高级技巧。无论你是架构师还是NLP工程师,这篇硬核干货都将颠覆你的认知!

专注AI与大模型技术,深耕NLP、RAG、Agent开发,分享Python机器学习与深度学习实战经验,助力技术成长。 595

基于 Python 的 LIF 模型:探索神经元同步与小世界网络

首先,我们定义了一个LIFNeuronself.soma.L = self.soma.diam = 12.6157 # 固定神经元形状self.cm = cm # 电容self.V_rest = V_rest # 静息电位self.V = V_rest # 初始化膜电位在初始化过程中,每个神经元被赋予初始的静息电位,并且其膜电位会在后续的模拟过程中动态变化。

qq_36224726的博客 1424

从零开始 使用OMNET++结合VEINS,INET和SUMO的联合仿真

搭建仿真的环境,导入VEINS和INET开源库,使用INET库中提供的网络协议和功能模型来模拟通信协议和网络功能,使用SUMO创建道路网络和车辆轨迹,并导出到OMNeT++中 在OMNeT++中使用VEINS通过socket和SUMO连接,借助VEINS实现的TRACI接口来设置车辆相关的行为和场景,最后在OMNET++中结合VEINS,SUMO和INET运行联合仿真实验,并分析车辆在遇到紧急情况下的通信状况和具体行为

mjmmm的博客 1万+
上一篇: 【AI Agent】为何矢量数据库不足以管理Agent AI 系统的内存?
下一篇: 一文讲清什么是 AI Agent(智能体)?它正在引领 AI 工作流的革新
Llama-Turbo
博客等级 码龄4年 9901粉丝 2022原创
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
 
 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
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