weixin_63866037的博客

在微软GraphRAG复现过程中，因其复杂的程序和源代码的错误，导致很难复现。因此，github中出现了graphrag的平替版本——NanoGraphRAG，该项目提供了一个更小、更快、更干净的 GraphRAG，同时保留了核心功能。** 但是很多小伙伴困扰于没有OpenAI的API key，因此本文介绍了如何使用Ollama跑通Graphrag，只需简单的操作即可！欢迎点赞收藏！

在数据分析和网络科学中，然而，PageRank不仅仅适用于网页排名，它还可以用于分析其他类型的网络结构，比如社交网络、引用网络，甚至是小说中的人物关系网络。在这篇博客中，我们将使用PageRank算法来分析《水浒传》中的人物关系，并对人物的重要性进行排序和可视化。

在人工智能蓬勃发展的当下，大语言模型的应用越来越广泛。然而，如何让大模型更加智能，能够结合特定的知识给出更准确的回答，成为了许多开发者关注的焦点。今天，我们就来探讨一下如何基于 langchain 实现一个强大的 RAG 系统，并结合 DeepSeek 模型！

RAG模型通过结合检索和生成两个步骤来回答问题。首先，模型从大量文档中检索出与问题相关的文档片段，然后基于这些片段生成最终的回答。检索步骤的准确性直接影响到生成步骤的效果，而检索的准确性又依赖于嵌入模型的质量。嵌入模型的作用是将文本转换为向量表示，使得语义相似的文本在向量空间中距离较近。然而，通用的预训练嵌入模型可能无法很好地适应特定领域或任务的需求。因此，通过对嵌入模型进行微调，可以使其更好地适应特定的任务和数据集，从而提高检索的准确性。

多模态图文检索实战——基于CLIP实现图文检索系统（附源码）：生成文本嵌入。：从本地路径读取图像并生成图像嵌入。：计算两个向量之间的余弦相似度。：计算查询与候选图像之间的相似度，并返回最匹配的图像。：批量生成候选图像的嵌入。# 函数：生成文本嵌入try:# 从本地路径读入图片。

通过本文，我们详细介绍了AdvanceRAG的工作流程，包括Query改写、使用集成检索器进行文档检索、通过CrossEncoder进行文档重排以及最终使用LLM生成回答。这一流程展示了如何利用先进的自然语言处理技术，实现高效、准确的信息检索与回答生成。希望本文能帮助你更好地理解并应用AdvanceRAG技术，解决实际的自然语言处理任务。希望大家喜欢，我们下篇博客再见！

使用结合W4A16量化与kv cache量化的internlm2_5-1_8b-chat模型封装本地API并与大模型进行一次对话，使用Function call功能让大模型完成一次简单的"加"与"乘"函数调用。

书生.浦江大模型实战训练营——（二）Wordcount实现+Vscode连接远程服务器Debug。使用VSCode的debug功能来更容易地找到和修复你Python代码中的错误,也可以随时关注变量的变化，当然在每一步print也是一个不错的选择，不过遇到大型项目需要debug时，还是断点的效率更高。

书生.浦江大模型实战训练营——（一）InternStudio+Vscode SSH连接远程服务器+Linux基础指令。最近在学习书生.浦江大模型实战训练营，所有课程都免费，以关卡的形式学习，也比较有意思，提供免费的算力实战，真的很不错

微调（fine-tuning）是一种基于预训练模型，通过少量的调整（fine-tune）来适应新的任务或数据的方法。微调是在预训练模型的基础上，将模型中一些层的权重参数进行微调，以适应新的数据集或任务。

继承 BaseAction 类实现简单工具的 run 方法；或者实现工具包内每个子工具的功能简单工具的 run 方法可选被 tool_api 装饰；

书生.浦江大模型实战训练营——（二）Git基本操作与分支管理。Git 是一种开源的分布式版本控制系统，广泛应用于软件开发领域，尤其是在协同工作环境中。它为程序员提供了一套必备的工具，使得团队成员能够有效地管理和跟踪代码的历史变更。Git 由 Linus Torvalds 于2005年创建，Git 主要用于软件开发，但也适用于任何需要版本控制的文件管理。

一、Cli Demo 部署 InternLM2-Chat-1.8B 模型1.1环境搭建1.2 创建文件1.3 推理测试二、Streamlit Web Demo 部署 InternLM2-Chat-1.8B 模型三、LMDeploy 部署 InternLM-XComposer2-VL-1.8B 模型四、LMDeploy 部署 InternVL2-2B 模型

使用 OpenCompass 评测 internlm2-chat-1.8b 模型在 ceval 数据集上的性能

大模型RAG（Retrieval-Augmented Generation）是一个结合了信息检索和生成模型的技术框架。它旨在通过引入外部知识源来增强生成模型的能力。

本篇文章主要介绍如何使用ollama本地部署微软的Graph RAG，，Graph RAG成为RAG一种新范式，对于全局总结性问题表现突出，由ollama一站式解决。但是中间也出现非常多的问题，比如Columns must be same length as key。跟着本篇文章使用ollama+mistral-nemo+mxbai-embed-larg`实现本地的GraphRAG的部署！

视频时间不长，30分钟，详细介绍了书生.浦语大模型的全链路开发体系，以及一些关键的大模型技术，收获颇多，后面想继续KG和RAG以及LLM长文本，基于图神经网络的LLM方向的进一步学习，欢迎大家交流！下面将详细介绍视频的内容。

Prompt engineering（提示工程）是指设计和优化输入提示，以引导人工智能模型（如语言模型）生成更符合预期的输出的过程。通过精心构造的问题或句子，用户可以有效地影响模型的回答质量和相关性。

InternVL 是一种用于多模态任务的深度学习模型，旨在处理和理解多种类型的数据输入，如图像和文本。它结合了视觉和语言模型，能够执行复杂的跨模态任务，比如图文匹配、图像描述生成等。通过整合视觉特征和语言信息，InternVL 可以在多模态领域取得更好的表现

修改完配置文件后，就可以进行知识库的搭建，本次教程选用的是茴香豆和 MMPose 的文档，利用茴香豆搭建一个茴香豆和 MMPose 的知识问答助手。

将 /root/mindsearch/mindsearch_deploy`目录下的文件（使用 git）提交到 `HuggingFace Space` 即可完成部署了。将代码提交到huggingface space的流程如下

定义一个简单的GNN模型，包含三个GCNconv和一个分类层，激活函数选择tanh，将GCNConv结果和最后分类的结果都做返回。

在当今数字化的时代，分析用户评论中的情感倾向对于了解产品、服务的口碑等方面有着重要意义。在本次项目中，我们将展示如何利用 Python 语言结合transformers库，借助。

利用CLIP模型实现图文检索为我们在多媒体数据处理等诸多领域提供了很大的便利，比如在图像搜索引擎、内容推荐系统等方面都有着广阔的应用前景。这也是RAG最核心的部分可以说这是多模态RAG的一个简单尝试，在实际应用中，我们还可以进一步优化模型参数、增加更多的图片和文本数据进行训练、改进相似度计算的策略等，来不断提升图文检索的准确性和效率，希望这篇博客能够帮助大家对利用CLIP实现图文检索有一个初步的了解和实践思路哦。