Commande Cohere R: Un tutoriel complet étape par étape

Ce didacticiel explore Cohere Command R, un modèle de grande langue (LLM) de pointe, démontrant son utilisation en ligne, localement et via l'API Cohere Python. Nous allons construire un agent d'IA en utilisant Langchain et Tavily pour accomplir des tâches en plusieurs étapes.

Pour ceux qui connaissent les modèles Cohere, passez à la section du projet. Les débutants peuvent explorer la piste fondamentale de l'IA pour en savoir plus sur le chatppt, les LLM et l'IA générative.

Qu'est-ce que la commande cohere r?

Command R est le LLM avancé de Cohere, excellant dans les interactions conversationnelles et les tâches de contexte à long terme. Son optimisation pour les workflows de génération augmentée (RAG) de récupération complexe et d'utilisation des outils en plusieurs étapes le rend idéal pour les applications d'entreprise.

Caractéristiques clés de la commande cohere r:

• Contexte étendu: gère jusqu'à 128K jetons, dépassant les modèles précédents en qualité et en fiabilité (limite de sortie de jeton 4K).
• Support multilingue: formé sur divers corpus multilingues, optimisé pour l'anglais, le français, l'espagnol, l'italien, l'allemand, et plus encore.
• Capacités croisées: Effectue la traduction et la réponse aux questions croisées.
• Rag intégré: Facilite le chiffon sans frameworks externes; fournir simplement des documents pour les réponses contextuelles avec des citations.
• Utilisation d'outils en plusieurs étapes: s'intègre aux moteurs de recherche et aux outils personnalisés (bases de données, API) pour les réponses à jour.

Pour une compréhension complète des modèles Cohere, reportez-vous au tutoriel CoHere API: Début avec les modèles Cohere.

Accès à la commande cohere r:

Plusieurs méthodes existent, beaucoup gratuitement:

Accès en ligne (HuggingChat):

1. Visitez https://www.php.cn/link/217ffec3caf17a44bf340fc11d93e8ab .
2. Sélectionnez "Modèles", puis "C4ai-Command-R-Plus."
3. Entrez votre requête; Attendez-vous à des réponses rapides et précises. Six outils (génération d'images, recherche sur Internet, etc.) sont également intégrés.

Accès local (janvier):

1. Téléchargez et installez Jan à partir de https://www.php.cn/link/1d72d067ad71fc47c245e249dc16cb7f .
2. Accédez au Hub Model (panneau de gauche).
3. Recherchez "PMYSL / C4AI-Command-R-PLUS-GGUF" (nécessite & gt; 30 Go de RAM).
4. Téléchargez et utilisez la version "Q4_K_M" (~ 31.24 Go).

Accès de l'API (Jan avec API Cohere):

1. Connectez-vous à https://www.php.cn/link/19c81ddc9575bacf2a6f73b428065821 .
2. Accédez à "Dashboard", puis "Keys API" et créez une clé d'essai.
3. Collez la clé du "fournisseur de modèles" de Jan (Paramètres & gt; cohere).
4. Sélectionnez Commande R dans le menu "Thread" de Jan. Utilisez "Stream" pour les réponses en temps réel.

COHERE Python API:

1. Installer: pip install cohere
2. Obtenez une clé API Cohere (voir l'accès à l'API ci-dessus).
3. Configurer des variables d'environnement (Datacamp's Datalab recommandé).
4. Initialiser le client Cohere:

import os
import cohere

cohere_api_key = os.environ["COHERE_API_KEY"]
co = cohere.Client(api_key=cohere_api_key)

5. générer des réponses en utilisant .chat():

response = co.chat(model="command-r-plus", message="Your query here")
print(response.text)

Exploration des caractéristiques de l'API cohére Python:

• Génération de texte: Utiliser preamble, chat_history, max_tokens, et temperature pour les réponses personnalisées.
• Streaming: Utilisez .chat_stream() pour la génération de jetons en temps réel.
• Sortie prévisible: Définissez l'argument seed pour les résultats reproductibles.
• rag: Utilisez l'argument documents dans .chat() pour les réponses au contexte.
• Embeddings: Utiliser .embed() pour la représentation sémantique du texte.
• Fonction de fin: Télécharger des ensembles de données personnalisés en utilisant .datasets.create() et affiner avec .finetuning.create_finetuned_model().

Projet AI: Agent en plusieurs étapes avec Langchain et Tavily:

Ce projet crée un agent d'IA qui recherche le Web (Tavily) et génère / exécute du code Python (Python REP) pour produire des visualisations.

1. Installer les packages: %pip install --quiet langchain langchain_cohere langchain_experimental
2. Configurer le modèle de chat Cohere:

import os
import cohere

cohere_api_key = os.environ["COHERE_API_KEY"]
co = cohere.Client(api_key=cohere_api_key)

3. Configurer l'outil de recherche de tavilly.
4. Configurer l'outil de remplacement Python.
5. Créer et exécuter l'agent AI en utilisant create_cohere_react_agent et AgentExecutor.
6. tester l'agent (par exemple, générer un graphique à tarte).

Conclusion:

Ce tutoriel fournit un guide complet pour utiliser Cohere Command R, mettant en évidence ses capacités et démontrant son application dans la création d'agents d'IA sophistiqués. La combinaison de LLM et d'outils puissants comme Langchain et Tavily simplifie le développement de systèmes d'IA avancés.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!