ASFAFASFASFASFASF

>本文探討了代理抹布，這是一種強大的方法，將代理AI的決策與RAG的適應性結合了動態信息檢索和生成。 與受培訓數據限制的傳統模型不同，代理RAG獨立訪問和理由，以及來自各種來源的信息。該實用的指南重點是建造基於蘭鏈的抹布管道。

>

代理抹布項目：逐步指南

>

該項目按照以下架構構建了抹布管道：

1. 用戶查詢：該過程以用戶的問題開頭。

2. 查詢路由：系統確定它是否可以使用現有知識回答。 如果是，它將直接響應；否則，它將進行數據檢索。

   >

3. 數據檢索：管道訪問兩個潛在來源：

   • >本地文檔：>預處理的PDF（生成AI原理）用作知識庫。
   • Internet搜索：對於更廣泛的上下文，系統通過Web刮擦使用外部來源。

4. 上下文構建：檢索數據被編譯到連貫的上下文中。

   >

5. > 答案生成：>此上下文被饋送到大型語言模型（LLM）以生成簡潔明了的答案。

設置環境

>先決條件：

groq api鍵（
1. groq api console）>
gemini api鍵（
2. gemini api console）>
serper.dev api鍵（
3. serper.dev api key ）

>安裝：

安裝必要的python軟件包：

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

API密鑰管理：將API密鑰牢固地存儲在>文件中（下圖）：.env>

import os
from dotenv import load_dotenv
# ... other imports ...

load_dotenv()
GROQ_API_KEY = os.getenv("GROQ_API_KEY")
SERPER_API_KEY = os.getenv("SERPER_API_KEY")
GEMINI = os.getenv("GEMINI")

代碼概述： 該代碼使用幾個蘭格鏈組件：

用於矢量數據庫，

用於pdf處理，FAISS用於文本塊，PyPDFLoader用於嵌入生成，RecursiveCharacterTextSplitter> andHuggingFaceEmbeddings和ChatGroq for llms for llms，LLM用於Web搜索，以及用於代理商的SerperDevTool>crewai>

>>>初始化了兩個LLM：

（llama-3.3-70b-specdec）用於一般任務，llm（gemini/gemini-1.5-flash）用於網絡刮擦。 crew_llm函數基於本地上下文可用性路由查詢。使用check_local_knowledge()構建的Web刮擦代理檢索並總結了Web內容。 使用FAISS從PDF創建矢量數據庫。 最後，crewai結合了上下文和查詢以產生最終響應。 generate_final_answer()

示例用法和輸出：

> 函數演示了查詢系統。 例如，查詢“什麼是代理抹布？”觸發了網絡刮擦，從而對代理抹布，其組件，福利和局限性進行了全面的解釋。 輸出展示了系統動態訪問和合成來自不同來源的信息的能力。 此處省略了詳細的輸出，但可用於原始輸入。

以上是ASFAFASFASFASFASF的詳細內容。更多資訊請關注PHP中文網其他相關文章！