<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sdfugyd的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sdfugyd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sdfugyd]]></copyright><item><title><![CDATA[从RefineDocumentsChain迁移到LangGraph：提升长文本处理效率]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144814727</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144814727</guid><author>sdfugyd</author><pubDate>Mon, 30 Dec 2024 07:43:46 +0800</pubDate><description><![CDATA[为了处理长文本的摘要问题，我们通常会遇到上下文窗口限制。在这一方面提供了一种行之有效的解决方案。而通过迁移到LangGraph，我们能获得更多的灵活性和控制力。import os老铁们，今天我们讨论了如何从迁移到LangGraph以提高长文本处理的效率和灵活性。通过实战代码的演示，我们可以看到LangGraph在灵活性和可控性方面的优势。希望这波操作对你们的开发过程有所帮助！今天的技术分享就到这里，希望对大家有帮助。开发过程中遇到问题也可以在评论区交流~]]></description><category></category></item><item><title><![CDATA[如何使用RSpace文档加载器将RSpace笔记本导入Langchain管道]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144787580</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144787580</guid><author>sdfugyd</author><pubDate>Sat, 28 Dec 2024 12:48:02 +0800</pubDate><description><![CDATA[老铁们，今天咱们来聊聊如何使用RSpace文档加载器，将你在RSpace电子实验室笔记本中的研究笔记和文档导入到Langchain管道中。其实这个流程并不复杂，只需要一个RSpace账号和API密钥即可。首先，如果你还没有RSpace账号，可以到注册一个免费的账号，或者使用你的机构RSpace账号。拿到账号之后，记得从你的账号设置页面获取一个API令牌。如果你使用上述的环境变量名称，它们会被自动检测到，这波操作可以说是相当丝滑。]]></description><category></category></item><item><title><![CDATA[使用Google Memorystore for Redis集成Langchain文档存储、加载与删除]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144756704</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144756704</guid><author>sdfugyd</author><pubDate>Fri, 27 Dec 2024 03:08:03 +0800</pubDate><description><![CDATA[当初始化一个有多个内容字段的加载器时，加载的文档页面内容将包含一个JSON编码的字符串，其顶级字段等于中指定的字段。如果指定了，则加载的文档的元数据字段仅有顶级字段等于中指定的字段。如果元数据字段的值是一个JSON编码的字符串，将在加载到元数据字段之前进行解码。]]></description><category></category></item><item><title><![CDATA[于Intel Xeon上实现RAG的实战指南]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144717794</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144717794</guid><author>sdfugyd</author><pubDate>Wed, 25 Dec 2024 13:39:58 +0800</pubDate><description><![CDATA[RAG结合了信息检索与生成模型，能够从外部知识库中检索信息并进行文本生成。对数据密集型应用场景特别有用，尤其是在需要应用强大AI性能的场合。Intel Xeon可扩展处理器提供了卓越的性能支持，使得这种应用变得更为高效。并在你的server.py想要监控和调试LangChain应用，还可以配置LangSmith，详细步骤已在上文说明。今天的技术分享就到这里，希望对大家有帮助。开发过程中遇到问题也可以在评论区交流~—END—]]></description><category></category></item><item><title><![CDATA[构建高效聊天机器人反馈系统：无显性用户反馈的评价方法]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144717003</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144717003</guid><author>sdfugyd</author><pubDate>Wed, 25 Dec 2024 12:44:27 +0800</pubDate><description><![CDATA[在实际开发中，你会发现大约70%的用户查询是基于之前问题的跟进。这些后续问题中包含了大量可用于推断AI回应质量的数据。以Chat Langchain为例，显性反馈占比仅为0.04%，而通过分析用户后续的互动，我们可以解决“反馈稀缺”问题。而像LangSmith这样的服务，不仅仅是对于捕获用户和模型反馈有帮助，它还可以帮助你在LLM应用的开发过程中更好地进行调优。今天的技术分享就到这里，希望对大家有帮助。开发过程中遇到问题也可以在评论区交流~—END—]]></description><category></category></item><item><title><![CDATA[如何让你的RAG应用返回来源信息]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144706616</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144706616</guid><author>sdfugyd</author><pubDate>Wed, 25 Dec 2024 02:40:36 +0800</pubDate><description><![CDATA[我们构建了一个类似于从输入查询开始，检索文档并加入到字典的 “context” 键中；将查询和上下文输入到 RAG 链中，并将结果加入到字典中。# 以下是 LCEL 的简单实现"input": lambda x: x["input"], # 输入查询"context": lambda x: format_docs(x["context"]), # 上下文| prompt # 格式化查询和上下文到 prompt| llm # 生成响应。]]></description><category></category></item><item><title><![CDATA[如何使用向量存储库作为检索器]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144695693</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144695693</guid><author>sdfugyd</author><pubDate>Tue, 24 Dec 2024 15:29:52 +0800</pubDate><description><![CDATA[老铁们，这篇文章我们来聊聊如何使用向量存储库（Vectorstore）作为一个检索器（Retriever）。顾名思义，这玩意儿就是利用向量存储来检索文档的。它是对向量存储类的轻量封装，使其符合检索器接口。通过向量存储所实现的搜索方法，比如相似性搜索和最大边缘相关性搜索 (MMR)，来查询向量存储中的文本。]]></description><category></category></item><item><title><![CDATA[使用 Streamlit 打造交互式数据应用：StreamlitCallbackHandler 的实战教程]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144680330</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144680330</guid><author>sdfugyd</author><pubDate>Mon, 23 Dec 2024 23:53:14 +0800</pubDate><description><![CDATA[Streamlit 的设计初衷就是让数据科学家和工程师能迅速地将分析脚本转化成应用程序。其特点是简单易用，适合快速开发和展示你的机器学习模型及数据分析结果。虽然目前 StreamlitCallbackHandler 主要用于 LangChain Agent Executor，但未来会添加对其他 agent 类型和链（Chains）的支持。如果你对使用 LangChain 的 StreamlitChatMessageHistory 也感兴趣，不妨探索一下。今天的技术分享就到这里，希望对大家有帮助。]]></description><category></category></item><item><title><![CDATA[探索 JaguarDB 矢量数据库的强大功能]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144657034</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144657034</guid><author>sdfugyd</author><pubDate>Mon, 23 Dec 2024 08:53:13 +0800</pubDate><description><![CDATA[矢量数据库在现代人工智能和大数据应用中发挥着至关重要的作用。它们能够处理高维数据，并通过距离度量（比如欧氏距离、余弦相似度等）进行快速相似度搜索。JaguarDB 作为其中一个较新的成员，它的全主节点结构允许并行读写操作，这在高并发场景下显得尤为重要。说到这里，JaguarDB 作为一款现代矢量数据库，提供了丰富的功能和灵活的扩展性。无论是研究最前沿的 AI 应用，还是在生产环境中部署大规模数据处理，JaguarDB 都是值得一试的选择。今天的技术分享就到这里，希望对大家有帮助。]]></description><category></category></item><item><title><![CDATA[使用Rockset实现实时向量搜索与分析：LangChain环境下的实践指南]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144656147</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144656147</guid><author>sdfugyd</author><pubDate>Mon, 23 Dec 2024 04:01:36 +0800</pubDate><description><![CDATA[Rockset不仅支持元数据过滤，还能进行实时数据摄取处理。我们将在这篇文章中运用Rockset作为LangChain中的向量存储器，帮助大家快速上手。使用之前，确保你已经拥有一个Rockset账户并获取了API密钥，注册可以从Rockset官网开始。先安装今天我们成功地创建了一个Rockset集合，插入了带有OpenAI嵌入的文档，并进行了相似性搜索。对于想要进一步掌握向量存储概念的老铁们，可以关注相关指南保持更新。说白了，用Rockset结合大模型实现搜索分析确实方便又高效。]]></description><category></category></item><item><title><![CDATA[OpenSearch 技术应用和实战示例]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144656036</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144656036</guid><author>sdfugyd</author><pubDate>Mon, 23 Dec 2024 03:11:27 +0800</pubDate><description><![CDATA[OpenSearch是一个开源软件套件，灵活可扩展，适用于搜索、分析和可观测应用。它基于Apache Lucene，是个高效的分布式搜索和分析引擎。在启动之前，你需要确保有一个正在运行的OpenSearch实例。如果你还没有，可以通过Docker进行简单安装。除此之外，OpenSearch也可以与AWS服务集成，比如Amazon OpenSearch Service。你可以采用不同的搜索方法，包括Script Scoring和Painless Scripting，以满足特定的业务需求。]]></description><category></category></item><item><title><![CDATA[使用UnstructuredTSVLoader加载和解析TSV文件]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144651755</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144651755</guid><author>sdfugyd</author><pubDate>Sun, 22 Dec 2024 20:22:47 +0800</pubDate><description><![CDATA[TSV，即Tab-separated values，是一种常用的文件格式，特别适用于需要在不同系统和软件之间交换数据的情况。它的简洁性和易读性使得TSV成为数据科学和数据工程领域的常客。在处理TSV文件时，我们可能会用到一些工具或库，来帮助我们更高效地读取和解析文件内容。这里，我想和大家分享一个不错的工具——。这个工具相对简单，但在处理TSV文件中却有不错的表现。老铁们，如果你需要更复杂的加载逻辑，建议看看langchain社区的其他文档加载工具。今天的技术分享就到这里，希望对大家有帮助。]]></description><category></category></item><item><title><![CDATA[如何高效获取Hacker News数据：使用Python API接口]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144646273</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144646273</guid><author>sdfugyd</author><pubDate>Sun, 22 Dec 2024 14:24:29 +0800</pubDate><description><![CDATA[Hacker News提供了一个API接口，允许开发者获取网站上的文章和评论数据。HNLoader是一个Python类，封装了这些API请求，简化了数据提取过程。通过本文，我们了解了如何使用HNLoader从Hacker News获取数据。同时，我们讨论了可能遇到的网络问题及解决方案。]]></description><category></category></item><item><title><![CDATA[[使用Langchain和Predibase部署AI模型的完整指南]]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144638565</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144638565</guid><author>sdfugyd</author><pubDate>Sun, 22 Dec 2024 00:37:44 +0800</pubDate><description><![CDATA[adapter_version=1, # 对于Predibase托管的适配器，版本号是必需的")]]></description><category></category></item><item><title><![CDATA[利用LangChain与Banana模型进行无缝集成的实用指南]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144634991</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144634991</guid><author>sdfugyd</author><pubDate>Sat, 21 Dec 2024 19:29:36 +0800</pubDate><description><![CDATA[结合LangChain的强大链式调用功能和Banana的机器学习模型，我们可以创建自定义的模型交互逻辑。# 定义提示模板# 设置Banana模型参数# 创建LangChain链# 提出问题并运行通过此指南，我们了解了如何设置和使用LangChain与Banana模型进行交互。这不仅简化了机器学习模型的集成过程，还提供了一种强大的方式来处理复杂的数据交互任务。有关更深入的学习资源，请参考下面的资料。]]></description><category></category></item><item><title><![CDATA[[探索Snowflake Cortex：轻松调用大型语言模型的指南]]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144633863</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144633863</guid><author>sdfugyd</author><pubDate>Sat, 21 Dec 2024 17:38:15 +0800</pubDate><description><![CDATA[LangChain 官方文档Snowflake 官方文档高级语言模型研究。]]></description><category></category></item><item><title><![CDATA[探索LangChain与GigaChat的强大结合：从入门到精通]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144631798</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144631798</guid><author>sdfugyd</author><pubDate>Sat, 21 Dec 2024 15:20:46 +0800</pubDate><description><![CDATA[本文介绍了如何通过LangChain与GigaChat搭建基础的AI对话系统。从环境配置到简单示例，我们希望能为读者提供实用的参考。LangChain官方文档GigaChat API文档。]]></description><category></category></item><item><title><![CDATA[如何使用LangChain与Dappier AI实时数据模型进行互动]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144630999</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144630999</guid><author>sdfugyd</author><pubDate>Sat, 21 Dec 2024 14:34:12 +0800</pubDate><description><![CDATA[Dappier AI的核心在于其动态实时数据模型，这些模型涵盖了新闻、娱乐、金融、市场数据、天气等多个领域。通过预训练的模型，开发者可以确保AI应用程序的响应是准确和最新的，从而减少错误信息的产生。Dappier AI为开发者提供了一个功能强大的平台，通过整合实时数据模型，开发者可以创建更智能、更可靠的AI应用程序。深入了解Dappier AI，访问其API文档，并通过实际项目实践以提升您的技能。]]></description><category></category></item><item><title><![CDATA[使用Coze Bot API：入门指南与实用技巧]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144630924</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144630924</guid><author>sdfugyd</author><pubDate>Sat, 21 Dec 2024 14:28:18 +0800</pubDate><description><![CDATA[Coze API为构建智能聊天机器人提供了强大的功能和灵活性。通过本文的介绍，您应该能够开始使用该API来开发自己的AI应用。]]></description><category></category></item><item><title><![CDATA[[ChatAI21入门指南：将AI21 Chat模型融入你的项目]]]></title><link>https://blog.youkuaiyun.com/sdfugyd/article/details/144630360</link><guid>https://blog.youkuaiyun.com/sdfugyd/article/details/144630360</guid><author>sdfugyd</author><pubDate>Sat, 21 Dec 2024 13:50:24 +0800</pubDate><description><![CDATA[本文介绍了如何在项目中集成AI21的聊天模型，通过实例和代码解析帮助你快速上手。ChatAI21 API参考聊天模型概念指南聊天模型使用指南。]]></description><category></category></item></channel></rss>