叉子

>本文探索了代理抹布，這是一種強大的技術，可以通過將代理AI的決策能力與檢索功能增強生成（RAG）的適應性相結合來增強大型語言模型（LLM）。 與傳統模型受其培訓數據限制不同，Agentic rag允許LLMS獨立訪問和推理來自各種來源的信息。 該實用的指南重點是使用Langchain建立動手抹布管道。

>用langchain 構建代理抹布管道 以下步驟詳細介紹了抹布管道的創建，由下面的架構圖說明：

>

1. 用戶查詢：

   該過程以用戶的問題開頭，啟動管道。

2. 查詢路由：

   系統確定是否可以使用現有知識來回答查詢。 積極的反應產生了立即的答案；否則，查詢將進行數據檢索。 >

3. 數據檢索：

   管道訪問兩個潛在來源：

   本地文檔：
   • >預處理的PDF（例如，生成AI原理）是知識庫，系統正在搜索內部的相關信息。 > Internet搜索：
   對於更廣泛的上下文，管道使用外部來源來收集最新信息。
   • >
   >
上下文構建：
4. 檢索數據（從PDF或Web中）被編譯為連貫的上下文，組裝相關信息。

   >

   答案生成：此編譯的上下文被饋送到大型語言模型（LLM）以生成一個精確且內容豐富的答案。 >

5. 設置環境

開始之前，請確保您有以下操作：>

groq api鍵：

groq api console

• gemini api鍵： gemini api console
• serper.dev api鍵： ersper.dev api鍵
• 安裝必要的python軟件包：
>將API密鑰安全地在

>文件中安全地保存（示例）：>

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

>代碼利用各種庫進行：操作系統交互（os），環境變量加載（dotenv），矢量數據庫管理（FAISS），PDF處理（PyPDFLoader>），文本拆卸（RecursiveCharacterTextSplitter），嵌入（HuggingFaceEmbeddings），eNagending（ChatGroq），LLM），LLM Interaction（llm Interaction（LLM Interaction）（SerperDevTool），ScrapeWebsiteTool，Agent，Task）。Crew>

llm初始化和決策>

>初始化了兩個llms：

（使用llm）作為一般任務，而llama-3.3-70b-specdec>（使用crew_llm）進行Web刮擦。 Agemini/gemini-1.5-flash函數充當路由器，確定基於提供的上下文是否足夠的本地答案。 check_local_knowledge()

> Web刮擦代理和矢量數據庫

> >使用

庫構建的Web刮擦代理，檢索並總結了相關的Web內容。

>函數從PDF創建了FAISS矢量數據庫，從而實現了有效的相似性搜索。 crewai>從數據庫中檢索最相關的5個最相關的塊。 setup_vector_db()> get_local_content()

答案生成和主函數

>

函數使用LLM根據收集的上下文來創建最終響應。

函數策劃了整個過程，處理查詢路由，上下文檢索和答案生成。 一個示例查詢（“什麼是代理抹布？”）演示了該系統的整合基於本地和Web的信息以進行全面響應的能力。 輸出展示了系統提供對代理抹布的詳細說明的能力，即使信息在本地PDF中不直接存在。 generate_final_answer()>這種修訂後的響應提供了對代理抹布管道的更簡潔，更有條理的解釋，重點介紹了所涉及的關鍵步驟和功能。 它還闡明了每個代碼段和庫的目的和用法。 main()>

以上是叉子的詳細內容。更多資訊請關注PHP中文網其他相關文章！