garpu

Artikel ini meneroka Agentic Rag, teknik yang kuat yang meningkatkan model bahasa yang besar (LLMS) dengan menggabungkan keupayaan membuat keputusan AIS AI dengan penyesuaian generasi pengambilan semula (RAG). Tidak seperti model tradisional yang terhad oleh data latihan mereka, Agentic Rag membolehkan LLMs untuk mengakses dan alasan secara bebas dengan maklumat dari pelbagai sumber. Panduan praktikal ini memberi tumpuan kepada membina saluran paip kain tangan menggunakan Langchain.

Membina saluran paip rag yang agentik dengan Langchain

Langkah -langkah berikut memperincikan penciptaan saluran paip RAG, digambarkan oleh rajah seni bina di bawah:

1. Pertanyaan Pengguna: Proses ini bermula dengan soalan pengguna, memulakan saluran paip.

2. Routing pertanyaan: Sistem menentukan jika ia dapat menjawab pertanyaan menggunakan pengetahuan yang ada. Tindak balas positif menghasilkan jawapan segera; Jika tidak, pertanyaan diteruskan ke pengambilan data.

3. Pengambilan data: Paip mengakses dua sumber yang berpotensi:

   • Dokumen tempatan: PDF pra-diproses (mis., Prinsip AI generatif) berfungsi sebagai asas pengetahuan, dengan sistem mencari maklumat yang relevan dalam.
   • Carian Internet: Untuk konteks yang lebih luas, saluran paip menggunakan sumber luaran untuk mengumpulkan maklumat terkini.

4. Bangunan Konteks: Data yang diambil (dari PDF atau Web) disusun menjadi konteks yang koheren, memasang maklumat yang relevan.

5. Generasi Jawapan: Konteks yang disusun ini diberi kepada model bahasa yang besar (LLM) untuk menghasilkan jawapan yang tepat dan bermaklumat.

Menyediakan persekitaran

Sebelum memulakan, pastikan anda mempunyai yang berikut:

• Groq API Key: Groq API Console
• Gemini API Kunci: Konsol Gemini API Serper.dev API Key:
• Serper.dev API Key Pasang pakej python yang diperlukan:

simpan kekunci API dengan selamat dalam fail

(contoh):

pip install langchain-groq faiss-cpu crewai serper pypdf2 python-dotenv setuptools sentence-transformers huggingface distutils

pip install langchain-groq faiss-cpu crewai serper pypdf2 python-dotenv setuptools sentence-transformers huggingface distutils

Kod ini menggunakan pelbagai perpustakaan untuk: interaksi sistem operasi (os), pemuatan pembolehubah persekitaran (dotenv), pengurusan pangkalan data vektor (FAISS), pemprosesan pdf (PyPDFLoader), Orchestration Agent (, RecursiveCharacterTextSplitter, HuggingFaceEmbeddings). ChatGroq LLM SerperDevTool llm inisialisasi dan membuat keputusan ScrapeWebsiteTool Agent Task Dua LLMS diasaskan: Crew (menggunakan

) untuk tugas umum dan

(menggunakan ) untuk mengikis web. Fungsi bertindak sebagai penghala, menentukan jika jawapan tempatan mencukupi berdasarkan konteks yang disediakan.

llm ejen pengikis web dan pangkalan data vektor llama-3.3-70b-specdec crew_llm gemini/gemini-1.5-flash Ejen mengikis web, dibina menggunakan perpustakaan check_local_knowledge(), mengambil semula dan meringkaskan kandungan web yang relevan. Fungsi

mencipta pangkalan data vektor Faiss dari PDF, membolehkan carian kesamaan yang cekap.

mengambil semula 5 ketulan yang paling relevan dari pangkalan data.

Generasi Jawapan dan Fungsi Utama

crewai setup_vector_db() Fungsi get_local_content() menggunakan LLM untuk mewujudkan tindak balas akhir berdasarkan konteks yang dikumpulkan. Fungsi

mengatur keseluruhan proses, mengendalikan penghalaan pertanyaan, pengambilan semula konteks, dan penjanaan jawapan. Contoh pertanyaan ("Apakah Rag Agentic?") Menunjukkan keupayaan sistem untuk mengintegrasikan maklumat tempatan dan berasaskan web untuk respons yang komprehensif. Output mempamerkan keupayaan sistem untuk memberikan penjelasan terperinci tentang RAG agensi, walaupun maklumat itu tidak hadir secara langsung di PDF tempatan.

Sambutan yang disemak ini memberikan penjelasan yang lebih ringkas dan teratur mengenai saluran paip RAG yang agensi, yang memberi tumpuan kepada langkah -langkah utama dan fungsi yang terlibat. Ia juga menjelaskan tujuan dan penggunaan setiap segmen dan perpustakaan kod.

Atas ialah kandungan terperinci garpu. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!