Cohere Command R：完整的分步教程

>本教程探索了Cohere Command R，這是一個尖端的大語言模型（LLM），在線，本地和通過Cohere Python API演示其使用。 我們將利用Langchain和Tavily建立AI代理來完成多步驟任務。

對於那些熟悉Cohere模型的人，請跳到項目部分。初學者可以探索AI基礎知識，以了解有關CHATGPT，LLM和生成AI的了解。

>

>

什麼是cohere命令r？

命令R是Cohere的高級LLM，在對話互動和長篇小說任務方面表現出色。 它針對複雜檢索增強生成（RAG）工作流程和多步工具的優化使其非常適合企業應用程序。

>

> cohere命令的關鍵功能

> 擴展上下文：最多可處理128K令牌，超過了以前的質量和可靠性模型（4K代幣輸出限制）。

多語言支持：
• >接受多種多樣的語料庫培訓，針對英語，法語，西班牙語，意大利語，德語等進行了優化。 >
>跨語言功能：
• 執行翻譯和跨語言問題回答。
>內置的抹布：促進沒有外部框架的抹布；只需提供引用的文檔以進行上下文感知的響應。
• 多步工具使用：
與搜索引擎和自定義工具（數據庫，API）集成以進行最新響應。
• 有關對二線模型的全面理解，請參閱Cohere API教程：從Cohere Models開始。 >
>訪問cohere命令r：
• > 存在幾種方法，許多方法是免費的：
>

在線訪問（HuggingChat）：

>訪問 https://www.php.cn/link/217ffec3caf17a4444440f340fc11d93e8ab

選擇“模型”，然後選擇“ c4ai-command-r-plus。”

> 輸入查詢；期望快速，準確的響應。 還集成了六個工具（圖像生成，互聯網搜索等）。 >

2. 本地訪問（JAN）：
1. > https://www.php.cn/link/1D72D067AD71FC47C245E249DC16CB7F。 >訪問型號集線器（左圖）。
2. 搜索“ pmysl/c4ai-command-r-plus-gguf”（要求＆gt; 30GB RAM）。
3. >下載並使用“ Q4_K_M版本”（〜31.24GB）。



api Access（JAN帶有Cohere API）：

> >登錄到

> https://www.php.cn/link/19c81ddc9575bacf2a6f73b428065821
1. >。 轉到“儀表板”，然後轉到“ API密鑰”，然後創建一個試用密鑰。 >
>將鑰匙粘貼到Jan的“模型提供者”（設置＆gt; cohere）中。
2. >
>在Jan的“線程”菜單中選擇命令R。 使用“流”進行實時響應。

cohere python api：

> install：

獲取Cohere API鍵（請參見上面的API訪問）。
1. > pip install cohere>設置環境變量（推薦Datacamp的Datalab）。
初始化cohere客戶端：
4. 使用
生成響應：

import os
import cohere

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

5. .chat()

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

探索cohere Python API特徵：>

• >文本生成：>使用preamble>，chat_history，max_tokens和temperature和
>用於自定義響應。
• 流：使用.chat_stream()實時令牌生成。
> 可預測的輸出：
• 設置可再現結果的參數。 seed
• rag：>在中使用documents參數.chat()進行上下文感知響應。
>
• >嵌入：>使用.embed()用於語義文本表示。
• 微調：.datasets.create()>使用.finetuning.create_finetuned_model()上傳自定義數據集，並用
>進行微調。
。



ai項目：蘭班和坦維利的多步代理：

>

這個項目創建一個AI代理，該AI代理搜索Web（Tavily）並生成/執行Python代碼（Python depp）以產生可視化。
1. >安裝軟件包：%pip install --quiet langchain langchain_cohere langchain_experimental
2. 設置Cohere聊天模型：

import os
import cohere

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

3. >設置tavily搜索工具。
4. >設置Python Repl工具。
5. 使用create_cohere_react_agent和AgentExecutor。
測試代理（例如，生成餅圖）。



結論：

>本教程提供了使用Cohere命令R的綜合指南，突出顯示其功能並展示其在構建複雜的AI代理中的應用。 強大的LLM和工具（如Langchain和Tavely）的組合簡化了先進的AI系統的開發。

以上是Cohere Command R：完整的分步教程的詳細內容。更多資訊請關注PHP中文網其他相關文章！